Si alguna vez has jugado fútbol con un robot, es un sentimiento familiar. El sol brilla sobre tu rostro mientras el olor a hierba impregna el aire. Miras a tu alrededor. Un robot de cuatro patas corre hacia ti, regateando con determinación. 

Si bien el bot no muestra un nivel de habilidad similar al de Lionel Messi, es un impresionante sistema de regate en la naturaleza. Investigadores del Laboratorio de Inteligencia Artificial Improbable del MIT, parte del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL), han desarrollado un sistema robótico con patas que puede driblar una pelota de fútbol en las mismas condiciones que los humanos. El bot usó una combinación de detección y computación a bordo para atravesar diferentes terrenos naturales, como arena, grava, barro y nieve, y adaptarse a su impacto variado en el movimiento de la pelota. Como todo deportista comprometido, "DribbleBot" podía levantarse y recuperar el balón tras una caída. 

La programación de robots para jugar al fútbol ha sido un área de investigación activa durante algún tiempo. Sin embargo, el equipo quería aprender automáticamente cómo accionar las piernas durante el regate, para permitir el descubrimiento de habilidades difíciles de escribir para responder a diversos terrenos como nieve, grava, arena, hierba y pavimento. Entra, simulación. 

Un robot, una pelota y un terreno están dentro de la simulación: un gemelo digital del mundo natural. Puede cargar el bot y otros activos y establecer parámetros físicos, y luego maneja la simulación directa de la dinámica desde allí. Se simulan cuatro mil versiones del robot en paralelo en tiempo real, lo que permite recopilar datos 4000 veces más rápido que con un solo robot. Son muchos datos. 

El robot comienza sin saber cómo driblar la pelota; solo recibe una recompensa cuando lo hace, o un refuerzo negativo cuando se equivoca. Entonces, esencialmente está tratando de averiguar qué secuencia de fuerzas debe aplicar con sus piernas. "Un aspecto de este enfoque de aprendizaje por refuerzo es que debemos diseñar una buena recompensa para facilitar que el robot aprenda un comportamiento de regate exitoso", dice Gabe Margolis, estudiante de doctorado del MIT, quien codirigió el trabajo junto con Yandong Ji, asistente de investigación en Improbable. Laboratorio de IA. "Una vez que hemos diseñado esa recompensa, entonces es tiempo de práctica para el robot: en tiempo real, son un par de días, y en el simulador, cientos de días. Con el tiempo, aprende a mejorar cada vez más en la manipulación del balón de fútbol". para que coincida con la velocidad deseada". 

El bot también podría navegar por terrenos desconocidos y recuperarse de caídas gracias a un controlador de recuperación que el equipo incorporó a su sistema. Este controlador le permite al robot volver a levantarse después de una caída y volver a su controlador de regate para continuar persiguiendo la pelota, ayudándolo a manejar interrupciones y terrenos fuera de distribución. 

"Si miras a tu alrededor hoy, la mayoría de los robots tienen ruedas. Pero imagina que hay un escenario de desastre, una inundación o un terremoto, y queremos que los robots ayuden a los humanos en el proceso de búsqueda y rescate. Necesitamos las máquinas para recorrer terrenos que no son planos, y los robots con ruedas no pueden atravesar esos paisajes", dice Pulkit Agrawal, profesor del MIT, investigador principal de CSAIL y director de Improbable AI Lab". de los sistemas robóticos actuales", añade. "Nuestro objetivo al desarrollar algoritmos para robots con patas es proporcionar autonomía en terrenos desafiantes y complejos que actualmente están fuera del alcance de los sistemas robóticos". 

La fascinación por los robots cuadrúpedos y el fútbol es profunda: el profesor canadiense Alan Mackworth señaló por primera vez la idea en un artículo titulado "Sobre los robots que ven", presentado en VI-92, 1992. Posteriormente, investigadores japoneses organizaron un taller sobre "Grandes desafíos en inteligencia artificial, " lo que llevó a discusiones sobre el uso del fútbol para promover la ciencia y la tecnología. El proyecto se lanzó como Robot J-League un año después, y rápidamente se produjo un fervor mundial. Poco después nació "RoboCup". 

En comparación con caminar solo, driblar una pelota de fútbol impone más restricciones en el movimiento de DribbleBot y en los terrenos que puede atravesar. El robot debe adaptar su locomoción para aplicar fuerzas al balón para regatear. La interacción entre la pelota y el paisaje podría ser diferente a la interacción entre el robot y el paisaje, como la hierba espesa o el pavimento. Por ejemplo, una pelota de fútbol experimentará una fuerza de arrastre sobre el césped que no está presente en el pavimento, y una pendiente aplicará una fuerza de aceleración, cambiando la trayectoria típica de la pelota. Sin embargo, la capacidad del bot para atravesar diferentes terrenos a menudo se ve menos afectada por estas diferencias en la dinámica, siempre que no se deslice, por lo que la prueba de fútbol puede ser sensible a las variaciones en el terreno que la locomoción por sí sola no lo es. 

"Los enfoques anteriores simplifican el problema del regate, haciendo una suposición de modelo de terreno plano y duro. El movimiento también está diseñado para ser más estático; el robot no está tratando de correr y manipular la pelota simultáneamente", dice Ji. "Ahí es donde las dinámicas más difíciles entran en el problema de control. Abordamos esto al extender los avances recientes que han permitido una mejor locomoción al aire libre en esta tarea compuesta que combina aspectos de locomoción y manipulación diestra".

Por el lado del hardware, el robot tiene un conjunto de sensores que le permiten percibir el entorno, lo que le permite sentir dónde está, "comprender" su posición y "ver" algo de su entorno. Tiene un conjunto de actuadores que le permite aplicar fuerzas y moverse a sí mismo y a los objetos. Entre los sensores y los actuadores se encuentra la computadora, o "cerebro", encargada de convertir los datos del sensor en acciones, que aplicará a través de los motores. Cuando el robot corre sobre la nieve, no ve la nieve pero puede sentirla a través de los sensores de su motor. Pero el fútbol es una hazaña más complicada que caminar, por lo que el equipo aprovechó las cámaras en la cabeza y el cuerpo del robot para obtener una nueva modalidad sensorial de visión, además de la nueva habilidad motora. Y luego, regateamos. 

"Nuestro robot puede salir a la calle porque lleva todos sus sensores, cámaras y cómputo a bordo. Eso requirió algunas innovaciones en términos de hacer que todo el controlador se ajuste a este cómputo a bordo", dice Margolis. "Esa es un área en la que el aprendizaje ayuda porque podemos ejecutar una red neuronal liviana y entrenarla para procesar datos de sensores ruidosos observados por el robot en movimiento. Esto contrasta marcadamente con la mayoría de los robots de hoy: por lo general, un brazo de robot está montado en una base fija y se sienta en un banco de trabajo con una computadora gigante conectada. ¡Ni la computadora ni los sensores están en el brazo robótico! Entonces, todo es pesado, difícil de mover".

Todavía queda un largo camino por recorrer para hacer que estos robots sean tan ágiles como sus contrapartes en la naturaleza, y algunos terrenos fueron un desafío para DribbleBot. Actualmente, el controlador no está capacitado en entornos simulados que incluyan pendientes o escaleras. El robot no percibe la geometría del terreno; solo está estimando sus propiedades de contacto con el material, como la fricción. Si hay un escalón, por ejemplo, el robot se atascará, no podrá levantar la pelota sobre el escalón, un área que el equipo quiere explorar en el futuro. Los investigadores también están emocionados de aplicar las lecciones aprendidas durante el desarrollo de DribbleBot a otras tareas que involucran la locomoción combinada y la manipulación de objetos, transportando rápidamente diversos objetos de un lugar a otro usando las piernas o los brazos.

“DribbleBot es una demostración impresionante de la viabilidad de un sistema de este tipo en un espacio de problemas complejos que requiere un control dinámico de todo el cuerpo”, dice Vikash Kumar, científico investigador de Facebook AI Research que no participó en el trabajo. “Lo impresionante de DribbleBot es que todas las habilidades sensoriomotoras se sintetizan en tiempo real en un sistema de bajo costo que utiliza recursos computacionales integrados. Si bien exhibe una agilidad y una coordinación notables, es simplemente el "puntapié inicial" para la próxima era. ¡Juego encendido!”

La investigación cuenta con el apoyo del Programa de Sentido Común de la Máquina DARPA, el Laboratorio de Inteligencia Artificial Watson de MIT-IBM, el Instituto de Inteligencia Artificial e Interacciones Fundamentales de la Fundación Nacional de Ciencias, el Laboratorio de Investigación de la Fuerza Aérea de EE. UU. y el Acelerador de Inteligencia Artificial de la Fuerza Aérea de EE. UU. El documento se presentará en la Conferencia Internacional IEEE sobre Robótica y Automatización (ICRA) de 2023.