Hay algunas tareas para las que los robots tradicionales, los rígidos y metálicos, simplemente no están hechos. Los robots de cuerpo blando, por otro lado, pueden interactuar con las personas de manera más segura o deslizarse en espacios reducidos con facilidad. Pero para que los robots completen de manera confiable sus tareas programadas, necesitan saber el paradero de todas las partes de su cuerpo. Esa es una tarea ardua para un robot blando que puede deformarse de un número prácticamente infinito de formas.
Los investigadores del MIT han desarrollado un algoritmo para ayudar a los ingenieros a diseñar robots blandos que recopilen información más útil sobre su entorno. El algoritmo de aprendizaje profundo sugiere una ubicación optimizada de sensores dentro del cuerpo del robot, lo que le permite interactuar mejor con su entorno y completar las tareas asignadas. El avance es un paso hacia la automatización del diseño de robots. «El sistema no solo aprende una tarea determinada, sino también cómo diseñar mejor el robot para resolver esa tarea», dice Alexander Amini. «La ubicación del sensor es un problema muy difícil de resolver. Por lo tanto, tener esta solución es extremadamente emocionante».
La investigación se presentará durante la Conferencia Internacional IEEE sobre Robótica Suave de abril y se publicará en la revista Cartas de robótica y automatización de IEEE. Los coautores principales son Amini y Andrew Spielberg, ambos estudiantes de doctorado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL). Otros coautores incluyen a la estudiante de doctorado del MIT Lillian Chin y los profesores Wojciech Matusik y Daniela Rus.
La creación de robots blandos que completen tareas del mundo real ha sido un desafío de larga duración en robótica. Sus contrapartes rígidas tienen una ventaja incorporada: un rango de movimiento limitado. El conjunto finito de articulaciones y extremidades de los robots rígidos generalmente permite realizar cálculos manejables mediante los algoritmos que controlan el mapeo y la planificación del movimiento. Los robots blandos no son tan tratables.
Los robots de cuerpo blando son flexibles y maleables; por lo general, se sienten más como una pelota que rebota que como una bola de boliche. «El principal problema con los robots blandos es que son infinitamente dimensionales», dice Spielberg. «Cualquier punto de un robot de cuerpo blando puede, en teoría, deformarse de cualquier forma posible». Eso hace que sea difícil diseñar un robot blando que pueda mapear la ubicación de las partes de su cuerpo. Los esfuerzos anteriores han utilizado una cámara externa para trazar la posición del robot y devolver esa información al programa de control del robot. Pero los investigadores querían crear un robot blando sin ayuda externa.
«No se puede poner una cantidad infinita de sensores en el propio robot», dice Spielberg. «Entonces, la pregunta es: ¿cuántos sensores tiene y dónde los coloca para sacar el máximo provecho de su inversión?» El equipo recurrió al aprendizaje profundo en busca de una respuesta.
Los investigadores desarrollaron una arquitectura de red neuronal novedosa que optimiza la ubicación del sensor y aprende a completar tareas de manera eficiente. Primero, los investigadores dividieron el cuerpo del robot en regiones llamadas «partículas». La tasa de tensión de cada partícula se proporcionó como entrada a la red neuronal. A través de un proceso de prueba y error, la red «aprende» la secuencia de movimientos más eficiente para completar tareas, como agarrar objetos de diferentes tamaños. Al mismo tiempo, la red realiza un seguimiento de las partículas que se utilizan con más frecuencia y elimina las partículas menos utilizadas del conjunto de entradas para los ensayos posteriores de las redes.
Al optimizar las partículas más importantes, la red también sugiere dónde se deben colocar los sensores en el robot para garantizar un rendimiento eficiente. Por ejemplo, en un robot simulado con una mano que agarra, el algoritmo podría sugerir que los sensores se concentren dentro y alrededor de los dedos, donde las interacciones controladas con precisión con el entorno son vitales para la capacidad del robot para manipular objetos. Si bien eso puede parecer obvio, resulta que el algoritmo superó ampliamente la intuición de los humanos sobre dónde ubicar los sensores.
Los investigadores compararon su algoritmo con una serie de predicciones de expertos. Para tres diseños diferentes de robots blandos, el equipo pidió a los especialistas en robótica que seleccionaran manualmente dónde deberían colocarse los sensores para permitir la realización eficiente de tareas como agarrar varios objetos. Luego realizaron simulaciones comparando los robots sensorizados por humanos con los robots sensorizados por algoritmos. Y los resultados no estuvieron cerca. «Nuestro modelo superó ampliamente a los humanos en cada tarea, a pesar de que miré algunos de los cuerpos de los robots y me sentí muy seguro de dónde deberían ir los sensores», dice Amini. «Resulta que hay muchas más sutilezas en este problema de lo que inicialmente esperábamos».
Spielberg dice que su trabajo podría ayudar a automatizar el proceso de diseño de robots. Además de desarrollar algoritmos para controlar los movimientos de un robot, «también debemos pensar en cómo vamos a sensorizar estos robots y cómo eso interactuará con otros componentes de ese sistema», dice. Y una mejor ubicación del sensor podría tener aplicaciones industriales, especialmente donde los robots se utilizan para tareas finas como agarrar. «Eso es algo en lo que se necesita un sentido del tacto muy robusto y bien optimizado», dice Spielberg. «Por lo tanto, existe la posibilidad de un impacto inmediato».
«Automatizar el diseño de robots blandos sensorizados es un paso importante hacia la creación rápida de herramientas inteligentes que ayuden a las personas con las tareas físicas», dice Rus. «Los sensores son un aspecto importante del proceso, ya que permiten que el robot blando» vea «y comprenda el mundo y su relación con el mundo».
Esta investigación fue financiada, en parte, por la National Science Foundation y la Fannie and John Hertz Foundation.
