Investigadores del MIT ayudan a robots a utilizar todo su cuerpo para manipular objetos

Por Brianna Wessling | 29 de agosto de 2023

Un robot intenta utilizar todas sus manos para girar un cubo 180º. | Fuente: MIT

Un equipo de investigación del MIT ha desarrollado una técnica de inteligencia artificial que permite a los robots manipular objetos con toda la mano o el cuerpo, en lugar de solo con las yemas de los dedos.

Cuando una persona levanta una caja, normalmente usa todas sus manos para levantarla y luego sus antebrazos y pecho para mantener la caja firme mientras la mueve a otro lugar. Este tipo de manipulación es manipulación de todo el cuerpo y es algo con lo que los robots luchan.

Para los robots, cada punto donde la caja podría tocar cualquier punto de sus dedos, brazos y torso es un evento de contacto sobre el cual el robot tiene que razonar. Esto deja a los robots con miles de millones de posibles eventos de contacto, lo que hace que la planificación de tareas que requieren todo el cuerpo sea extremadamente complicada. Este proceso en el que un robot intenta aprender la mejor manera de mover un objeto se llama planificación de manipulación rica en contactos.

Sin embargo, los investigadores del MIT han encontrado una manera de simplificar este proceso utilizando una técnica de IA llamada suavizado y un algoritmo creado por el equipo. El suavizado resume muchos eventos de contacto en una cantidad menor de decisiones, eliminando eventos que no son importantes para la tarea y reduciendo las cosas a una cantidad menor de decisiones. Esto permite que incluso un algoritmo simple diseñe rápidamente un plan de manipulación eficaz.

Muchos robots aprenden a manejar objetos mediante el aprendizaje por refuerzo, una técnica de aprendizaje automático en la que un agente utiliza prueba y error para aprender a completar una tarea para obtener una recompensa. A través de este tipo de aprendizaje, un sistema tiene que aprender todo sobre el mundo mediante prueba y error.

Con miles de millones de puntos de contacto para probar, el aprendizaje por refuerzo puede requerir una gran cantidad de cálculos, lo que lo convierte en una opción no ideal para la planificación de manipulación rica en contactos, aunque puede ser efectivo con suficiente tiempo.

Sin embargo, el aprendizaje por refuerzo realiza el proceso de suavización probando diferentes puntos de contacto y calculando un promedio ponderado de los resultados, que es lo que ayuda a que sea tan eficaz en la enseñanza de robots.

El equipo de investigación del MIT aprovechó este conocimiento para construir un modelo simple que realiza este tipo de investigación, permitiendo que el sistema se centre en las interacciones centrales entre robot y objeto y prediga el comportamiento a largo plazo.

Luego, el equipo combinó su modelo con un algoritmo que puede buscar rápidamente entre todas las decisiones posibles que puede tomar un robot. Entre el modelo de suavizado y el algoritmo, el equipo creó un sistema que solo necesitaba alrededor de un minuto de tiempo de cálculo en una computadora portátil estándar.

Si bien este proyecto aún se encuentra en sus primeras etapas, este método podría usarse para permitir que las fábricas implementen robots móviles más pequeños que usen todo su cuerpo para manipular objetos en lugar de grandes brazos robóticos que solo agarran con las yemas de los dedos.

Si bien el modelo mostró resultados prometedores cuando se probó en simulación, no puede manejar movimientos muy dinámicos, como la caída de objetos. Ésta es una de las cuestiones que el equipo espera seguir abordando en futuras investigaciones.

La investigación de los equipos fue financiada, en parte, por Amazon, el Laboratorio Lincoln del MIT, la Fundación Nacional de Ciencias y el Grupo Ocado. El equipo incluyó a HJ Terry Suh, un estudiante de posgrado en ingeniería eléctrica e informática (EECS) y coautor principal del artículo. También es coautor principal Tao Pang Ph.D. '23, robótico del Boston Dynamics AI Institute; Lujie Yang, estudiante de posgrado de EECS; y el autor principal Russ Tedrake, profesor Toyota de EECS, Aeronáutica y Astronáutica e Ingeniería Mecánica, y miembro del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL).