Hay algunas tareas para las que los robots tradicionales, los rígidos y metálicos, no están hechos. Los robots de cuerpo blando, en cambio, pueden interactuar con las personas de forma más segura o introducirse en espacios reducidos con facilidad. Pero para que los robots realicen con fiabilidad sus tareas programadas, deben conocer el paradero de todas las partes de su cuerpo. Es una tarea ardua para un robot blando que puede deformarse de un número prácticamente infinito de maneras.
Los investigadores del MIT han desarrollado un algoritmo para ayudar a los ingenieros a diseñar robots blandos que recojan más información útil sobre su entorno. El algoritmo de aprendizaje profundo sugiere una colocación optimizada de los 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 colocación de los sensores es un problema muy difícil de resolver. Por eso, tener esta solución es extremadamente emocionante".
La investigación se presentará durante la Conferencia Internacional de Robótica Blanda del IEEE de abril y se publicará en la revista IEEE Robotics and Automation Letters. Los autores principales son Amini y Andrew Spielberg, ambos estudiantes de doctorado del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT. Otros coautores son la estudiante de doctorado del MIT Lillian Chin y los profesores Wojciech Matusik y Daniela Rus.
La creación de robots blandos que realicen tareas en el mundo real ha sido un reto de larga duración en la robótica. Sus homólogos rígidos tienen una ventaja incorporada: un rango de movimiento limitado. El conjunto finito de articulaciones y extremidades de los robots rígidos suele facilitar los cálculos de los algoritmos que controlan el mapeo y la planificación del movimiento. Los robots blandos no son tan manejables.
Los robots de cuerpo blando son flexibles y flexibles; por lo general, se parecen más a una pelota que rebota que a una bola de bolos. "El principal problema de los robots blandos es que son infinitamente dimensionales", dice Spielberg. "Cualquier punto de un robot de cuerpo blando puede, en teoría, deformarse de cualquier manera posible". Esto dificulta el diseño de un robot blando que pueda cartografiar la ubicación de las partes de su cuerpo. En el pasado se ha utilizado una cámara externa para trazar la posición del robot y devolver esa información al programa de control del mismo. Pero los investigadores querían crear un robot blando que no estuviera atado a una ayuda externa.
"No se puede poner un número infinito de sensores en el propio robot", dice Spielberg. "Así que la pregunta es: ¿cuántos sensores tienes y dónde pones esos sensores para sacar el máximo partido a tu dinero?". El equipo recurrió al aprendizaje profundo en busca de una respuesta.
Los investigadores desarrollaron una novedosa arquitectura de red neuronal que optimiza la colocación de los sensores y aprende a completar las tareas de forma eficiente. En primer lugar, los investigadores dividieron el cuerpo del robot en regiones llamadas "partículas". El índice de tensión de cada partícula se proporcionó como entrada a la red neuronal. Mediante un proceso de ensayo y error, la red "aprende" la secuencia de movimientos más eficiente para completar tareas, como agarrar objetos de distintos tamaños. Al mismo tiempo, la red hace un seguimiento de las partículas que se utilizan con más frecuencia y elimina las menos utilizadas del conjunto de entradas para los siguientes ensayos de la red.
Al optimizar las partículas más importantes, la red también sugiere dónde deben colocarse los sensores en el robot para garantizar un rendimiento eficaz. Por ejemplo, en un robot simulado con una mano que agarra, el algoritmo puede sugerir que los sensores se concentren en los dedos y alrededor de ellos, donde las interacciones controladas con precisión con el entorno son vitales para la capacidad del robot de manipular objetos. Aunque esto puede parecer obvio, resulta que el algoritmo superó ampliamente la intuición humana sobre dónde colocar 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 expertos en robótica que seleccionaran manualmente dónde debían colocarse los sensores para permitir la realización eficiente de tareas como el agarre de diversos objetos. A continuación, realizaron simulaciones en las que compararon los robots con sensores humanos con los robots con sensores algorítmicos. Y los resultados no estuvieron cerca. "Nuestro modelo superó ampliamente a los humanos en cada tarea, a pesar de que observé algunos de los cuerpos de los robots y me sentí muy seguro de dónde debían ir los sensores", dice Amini. "Resulta que hay muchas más sutilezas en este problema de las que esperábamos inicialmente".
Spielberg afirma 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 tenemos que pensar en cómo vamos a sensorizar estos robots, y cómo va a interactuar con otros componentes de ese sistema", dice. Y una mejor colocación de los sensores podría tener aplicaciones industriales, especialmente cuando los robots se utilizan para tareas finas como el agarre. "Es algo en lo que se necesita un sentido del tacto muy robusto y bien optimizado", dice Spielberg. "Así que hay potencial para un impacto inmediato".
"Automatizar el diseño de los robots blandos sensorizados es un paso importante para crear rápidamente herramientas inteligentes que ayuden a las personas en las tareas físicas", dice Rus. "Los sensores son un aspecto importante del proceso, ya que permiten al robot blando "ver" y entender el mundo y su relación con el mundo".
Esta investigación ha sido financiada, en parte, por la National Science Foundation y la Fannie and John Hertz Foundation.
Promover la investigación, las innovaciones, la enseñanza y los eventos y las personas de interés periodístico del MIT a la comunidad del campus, los medios de comunicación y el público en general, Comunicar anuncios del Instituto, Publicar noticias de la comunidad para profesores, estudiantes, personal y ex alumnos del MIT. Proporcionar servicios de medios a los miembros de la comunidad, incluido el asesoramiento sobre cómo trabajar con periodistas, Responder a consultas de los medios y solicitudes de entrevistas...
La herramienta, creada por investigadores de España y EE UU, ayudará a predecir la evolución del cáncer en pacientes a partir de las propiedades mecánicas y del área donde se desarrolla, que se pueden conocer a través de una biopsia o técnicas de imagen.
Un ChatGPT español no suena nada descabellado en un mundo impulsado por avances tecnológicos cada vez más veloces y en el que la inteligencia artificial (IA) ha demostrado su capacidad para adaptarse y abrir nuevas posibilidades en diversos campos. En este sentido, durante el Mobile World Congress (MWC) España ha dado un paso importante hacia el futuro con el desarrollo de su propio Large Language Model (LLM) entrenado en español y lenguas cooficiales.
Hormigas, abejas y termitas son algunos de los animales que expelen sustancias que les permite comunicarse entre sí (estigmergia), optimizando la coordinación de sus colonias y su relación con el entorno. Este comportamiento se simuló en laboratorio con un enjambre de pequeños robots, mediante luz ultravioleta, y sus resultados son positivos para la industria, ya que en un futuro esta capacidad de inteligencia grupal y conocimiento compartido permitiría clasificar objetos en bodegas o granjas, por ejemplo. Además, mediante inteligencia artificial (IA) desarrollaron aprendizaje automático.
Este enfoque, más rápido y preciso que algunas alternativas, podría resultar útil para robots que interactúan con humanos o trabajan en espacios reducidos.
Se está debatiendo mucho sobre el papel de la inteligencia artificial en el ámbito laboral y el impacto que esta nueva tecnología tendrá en tareas repetitivas. La Generación Z formada por los jóvenes que están empezando su carrera laboral ahora, será la principal afectada por la irrupción de la IA, pero ya está comenzando su contraofensiva: utilizar la IA como entrenador para conseguir un empleo.
Cada día es una historia nueva con la IA. Si hace unas semanas era Sora, ahora es EMO la inteligencia artificial generativa que nos deja impresionados. Y al contrario de lo que suele ser habitual, en este caso no viene ni de OpenAI ni de Google ni de ninguno de los grandes actores del panorama. La nueva IA viene de China, pues ha sido presentada por Alibaba.