PUBLICACIÓN: www.nanowerk.com. (Fuente: Por Lori Friedman, Universidad de Lehigh)

¿Qué pasaría si un robot pudiera organizar su armario o cortar sus verduras? Un chef en cada hogar podría algún día ser una realidad.

Aún así, aunque los avances en inteligencia artificial y aprendizaje automático han hecho posible una mejor robótica, todavía existe una gran brecha entre lo que pueden hacer los humanos y los robots. Cerrar esa brecha requerirá superar una serie de obstáculos en la manipulación de los robots, o la capacidad de los robots para manipular entornos y adaptarse a estímulos cambiantes.

El candidato a doctor Jinda Cui y Jeff Trinkle, profesor y presidente del Departamento de Ciencias de la Computación e Ingeniería, están interesados ​​en esos desafíos. Trabajan en un área llamada aprendizaje de manipulación de robots, en la que los robots son «entrenados» a través del aprendizaje automático para manipular objetos y entornos como lo hacen los humanos.

«Siempre he sentido que para que los robots sean realmente útiles, tienen que recoger cosas, tienen que ser capaces de manipularlas, armar las cosas y arreglarlas, ayudarte a levantarte del suelo y todo eso», dice Trinkle, quien ha realizado décadas de investigación en manipulación de robots y es bien conocido por su trabajo pionero en la simulación de sistemas multicuerpo bajo restricciones de contacto. «Se necesitan tantas áreas técnicas juntas para analizar un problema como ese».

«En la manipulación de robots, el aprendizaje es una alternativa prometedora a los métodos de ingeniería tradicionales y ha demostrado un gran éxito, especialmente en las tareas de recoger y colocar», dice Cui, cuyo trabajo se ha centrado en la intersección de la manipulación de robots y el aprendizaje automático. «Aunque muchas preguntas de investigación aún deben responderse, la manipulación de robots aprendida podría potencialmente traer manipuladores de robots a nuestros hogares y negocios. Tal vez veamos robots limpiando nuestras mesas u organizando armarios en un futuro cercano.»

En un artículo de Science Robotics ( «Hacia la próxima generación del aprendizaje de la manipulación en robots» ), Cui y Trinkle resumen, comparan y contrastan la investigación sobre la manipulación de robots aprendidos a través de la lente de la adaptabilidad y esbozan direcciones de investigación prometedoras para el futuro.

Cui y Trinkle enfatizan la utilidad de la modularidad en el diseño de aprendizaje y señalan la necesidad de representaciones apropiadas para las tareas de manipulación. También señalan que la modularidad permite la personalización.

Cui dice que aquellos en ingeniería tradicional pueden dudar de la confiabilidad de las habilidades aprendidas para la manipulación de robots porque generalmente son soluciones de «caja negra», lo que significa que los investigadores pueden no saber cuándo y por qué falla una habilidad aprendida.

«Como señala nuestro artículo, la modularización adecuada de las habilidades de manipulación aprendidas puede abrir ‘cajas negras’ y hacerlas más explicables», dice Cui.

Las nueve áreas que Cui y Trinkle proponen como particularmente prometedoras para avanzar en la capacidad y adaptabilidad de la manipulación de robots aprendidos son:

1) Aprendizaje de representación con más modalidades sensoriales como señales táctiles, auditivas y de temperatura.

2) Simuladores avanzados de manipulación para que sean lo más rápidos y realistas posible.

3) Personalización de tareas / habilidades.

4) Representaciones de tareas «portátiles».

5) Exploración informada para la manipulación en la que los métodos de aprendizaje activo pueden encontrar nuevas habilidades de manera eficiente al explotar la información de contacto.

6) Exploración continua, o una forma de que una habilidad aprendida mejore continuamente después del despliegue del robot.

7) Aprendizaje activo masivamente distribuido / paralelo.

8) Innovaciones de hardware que simplifican manipulaciones más desafiantes, como la manipulación diestra en la mano.

9) Rendimiento en tiempo real ya que, eventualmente, las habilidades de manipulación aprendidas se probarán en el mundo real.

Siguiendo algunas de estas direcciones, Cui y Trinkle están trabajando actualmente en habilidades sensomotoras táctiles para hacer que los manipuladores de robots sean más diestros y robustos.

Para Cui, uno de los descubrimientos más emocionantes que hizo mientras exploraba la investigación actual es que la manipulación de robots aprendidos aún está en su etapa inicial.

«Eso deja muchas oportunidades para que la comunidad investigadora explore y prospere», dice Cui. «El futuro prometedor y el vasto espacio para la exploración harán del aprendizaje de la manipulación de robots un área de investigación emocionante durante las próximas décadas».


Esta web usa cookies analíticas y publicitarias (propias y de terceros) para analizar el tráfico y personalizar el contenido y los anuncios que le mostremos de acuerdo con su navegación e intereses, buscando así mejorar su experiencia. Si presiona "Aceptar" o continúa navegando, acepta su utilización. Puede configurar o rechazar su uso presionando "Configuración". Más información en nuestra Política de Cookies.


ACEPTAR
Aviso de cookies

¡Comparte en tus redes!

¡Comparte esta noticia con tus amigos!