Ayudando a los robots a captar lo impredecible

Cuando los robots encuentran objetos desconocidos, luchan por explicar una verdad simple: las apariencias no lo son todo. Es posible que intenten agarrar un bloque sólo para descubrir que es un literalmente pedazo de pastel. La apariencia engañosa de ese objeto podría llevar al robot a calcular mal propiedades físicas como el peso y el centro de masa del objeto, utilizando un agarre incorrecto y aplicando más fuerza de la necesaria.

Para ver a través de esta ilusión, los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT diseñaron el Proceso neuronal de captación, un modelo de física predictiva capaz de inferir estos rasgos ocultos en tiempo real para un agarre robótico más inteligente. Basado en datos de interacción limitados, su sistema de aprendizaje profundo puede ayudar a los robots en dominios como almacenes y hogares a una fracción del costo computacional de los anteriores. modelos algorítmicos y estadísticos.

El proceso neuronal de agarre está entrenado para inferir propiedades físicas invisibles a partir de un historial de intentos de agarre y utiliza las propiedades inferidas para adivinar qué agarres funcionarían bien en el futuro. Los modelos anteriores a menudo solo identificaban los agarres del robot únicamente a partir de datos visuales.

Normalmente, los métodos que infieren propiedades físicas se basan en métodos estadísticos tradicionales que requieren muchos conocimientos conocidos y una gran cantidad de tiempo de cálculo para funcionar bien. El proceso neuronal de agarre permite a estas máquinas ejecutar buenos agarres de manera más eficiente al utilizar muchos menos datos de interacción y finaliza su cálculo en menos de una décima de segundo, a diferencia de los segundos (o minutos) que requieren los métodos tradicionales.

Los investigadores señalan que el proceso neuronal de agarre prospera en entornos no estructurados como casas y almacenes, ya que ambos albergan una gran cantidad de objetos impredecibles. Por ejemplo, un robot impulsado por el modelo del MIT podría aprender rápidamente a manejar cajas muy apretadas con diferentes cantidades de alimentos sin ver el interior de la caja, y luego colocarlas donde sea necesario. En un centro logístico, los objetos con diferentes propiedades físicas y geometrías se colocarían en la caja correspondiente para ser enviados a los clientes.

Entrenado en 1000 geometrías únicas y 5000 objetos, el proceso neuronal de agarre logró una comprensión estable en la simulación de nuevos objetos 3D generados en el repositorio ShapeNet. Luego, el grupo liderado por CSAIL probó su modelo en el mundo físico mediante dos bloques ponderados, donde su trabajo superó una línea de base que solo consideraba las geometrías de los objetos. Limitado a 10 agarres experimentales de antemano, el brazo robótico recogió con éxito las cajas en 18 y 19 de 20 intentos cada uno, mientras que la máquina solo produjo ocho y 15 agarres estables cuando no estaba preparada.

Aunque son menos teatrales que un actor, los robots que completan tareas de inferencia también tienen que seguir un acto de tres partes: entrenamiento, adaptación y prueba. Durante el paso de entrenamiento, los robots practican con un conjunto fijo de objetos y aprenden a inferir propiedades físicas a partir de un historial de agarres exitosos (o fallidos). El nuevo modelo CSAIL amortiza la inferencia de la física de los objetos, lo que significa que entrena una red neuronal para aprender a predecir el resultado de un algoritmo estadístico que de otro modo sería costoso. Sólo se necesita un paso a través de una red neuronal con datos de interacción limitados para simular y predecir qué agarres funcionan mejor en diferentes objetos.

Luego, se presenta al robot un objeto desconocido durante la fase de adaptación. Durante este paso, el proceso neuronal de agarre ayuda a un robot a experimentar y actualizar su posición en consecuencia, entendiendo qué agarres funcionarían mejor. Esta fase de retoque prepara la máquina para el paso final: la prueba, donde el robot ejecuta formalmente una tarea en un artículo con una nueva comprensión de sus propiedades.

«Como ingeniero, no es prudente asumir que un robot conoce toda la información necesaria que necesita para captar con éxito», dice el autor principal Michael Noseworthy, estudiante de doctorado del MIT en ingeniería eléctrica e informática (EECS) y afiliado a CSAIL. «Sin humanos que etiqueten las propiedades de un objeto, los robots tradicionalmente han necesitado utilizar un costoso proceso de inferencia». Según el autor principal, estudiante de doctorado de EECS y afiliado de CSAIL, Seiji Shaw, su proceso neuronal de agarre podría ser una alternativa simplificada: “Nuestro modelo ayuda a los robots a hacer esto de manera mucho más eficiente, permitiéndoles imaginar qué agarres informarán el mejor resultado. »

“Para sacar a los robots de espacios controlados como el laboratorio o el almacén y llevarlos al mundo real, deben ser mejores en el manejo de lo desconocido y menos propensos a fallar ante la más mínima variación de su programación. Este trabajo es un paso crítico hacia la realización de todo el potencial transformador de la robótica”, dice Chad Kessens, investigador de robótica autónoma en el Laboratorio de Investigación del Ejército DEVCOM del Ejército de EE. UU., que patrocinó el trabajo.

Si bien su modelo puede ayudar a un robot a inferir propiedades estáticas ocultas de manera eficiente, a los investigadores les gustaría ampliar el sistema para ajustar la comprensión en tiempo real para múltiples tareas y objetos con rasgos dinámicos. Imaginan que su trabajo eventualmente los ayudará con varias tareas en un plan a largo plazo, como tomar una zanahoria y cortarla. Además, su modelo podría adaptarse a cambios en las distribuciones de masa en objetos menos estáticos, como cuando se llena una botella vacía.

Escrito por Alex Shipps

Fuente: Instituto de Tecnología de Massachusetts