“Queríamos capacitar expertos para enseñar a los robots cómo planificar tareas que son críticas en su campo de aplicación”
– Claudia
El nuevo sistema C-LEARN combina dos elementos tradicionales del aprendizaje robótico, conocidos como «aprendizaje por demostración» y «movimiento de planificación», acciones que tienen que ser codificadas por los desarrolladores. Los científicos afirman que esta nueva técnica está destinada a hacer más fácil que los robots puedan realizar una amplia gama de tareas con menos programación.
«Los robots podrían ser de mucha ayuda si más gente pudiera usarlos», dijo, a Digital Trends Claudia Pérez-D’Arpino, una candidata de doctorado que trabajó en el proyecto. Explicó que el motivo del equipo era mantener algunas de las habilidades de alto nivel habilitadas por los programadores de última generación, permitiendo al sistema aprender a través de la demostración.
C-LEARN trabaja acumulando un cuerpo de experiencia, que los investigadores llaman «base de conocimiento». Esta base contiene información geométrica sobre cómo alcanzar y agarrar objetos. A continuación, el operador humano muestra al robot una demostración 3D de la tarea a realizarse. Al relacionar su base de conocimiento con la acción que observó, el robot puede hacer sugerencias sobre la mejor manera de realizar las acciones, y el operador puede aprobar o editar las sugerencias como mejor le parezca.
«Esta base de conocimiento puede ser transferida de un robot a otro», dijo Pérez-D’Arpino. «Imagina que tu robot está descargando una app para las habilidades de manipulación. La aplicación puede adaptarse al nuevo robot con un cuerpo diferente gracias a la flexibilidad de tener restricciones aprendidas, que son una representación matemática de la exigencia geométrica subyacente de la tarea. Esto es diferente de aprender un camino específico que podría no ser factible en el nuevo cuerpo del robot».
En otras palabras, C-LEARN permite que el conocimiento se transforme y se adapte a su contexto, de la misma manera en la que un atleta, por ejemplo, puede aprender una habilidad en un deporte y luego alterarla ligeramente para lograr un mejor desempeño en un deporte diferente, sin tener que reaprender completamente la acción .
Los investigadores probaron C-LEARN en Optimus, un pequeño robot de dos brazos diseñado para la eliminación de bombas, antes de transferir con éxito la habilidad a Atlas, un humanoide de seis pies de altura.
Programar robots para realizar incluso una sola tarea puede ser complicado, implicando instrucciones precisas que llevan tiempo para codificar. En cambio, Pérez-D’Arpino y su equipo desarrollaron C-LEARN para que los expertos se concentraran en las tareas más relevantes para sus respectivos campos. Con este sistema, quienes no sean codificadores pueden dar a los robots bits de datos sobre una acción y luego rellenar los vacíos mostrando al robot una demostración de la tarea que se desea llevar a cabo.
«Queríamos capacitar expertos para enseñar a los robots cómo planificar tareas que son críticas en su campo de aplicación», dijo Pérez-D’Arpino. «El progreso en los últimos años en aprender de las demostraciones se está moviendo en esta dirección». El equipo piensa que el sistema podría ayudar a mejorar el desempeño de los robots en industrias que requieran fabricación y producción, además del área de alivio de desastres, para permitir respuestas más rápidas en situaciones sensibles al tiempo de ejecución.
