El camino hacia una manipulación más parecida a la humana de los objetos robóticos

¿Y si un robot pudiera ordenar tu armario o cortar verduras? El Sous Chef en cualquier hogar puede que algún día se convierta en una realidad.

Aún así, aunque los avances en inteligencia artificial y aprendizaje automático han hecho posible una mejor robótica, todavía existe una brecha bastante grande entre lo que los humanos y los robots pueden hacer. Cerrar esta brecha requerirá superar una serie de obstáculos en el programa robot manipulación, es decir, la capacidad de los robots para manipular su entorno y adaptarse a los estímulos cambiantes.

Doctor. El candidato Jinda Cui y Jeff Trinkle, profesor y jefe del Departamento de Ciencias de la Computación e Ingeniería de la Universidad de Lehigh, están interesados ​​en estos desafíos. Trabajan en un área llamada manipulación de robots aprendidos, donde los robots son “entrenados” a través del aprendizaje automático para manipular objetos y entornos tal como lo hacen los humanos.

“Siempre pensé que para que los robots fueran realmente útiles, tenían que recoger cosas, poder manipularlas, armarlas y arreglarlas para ayudarte a levantarte del suelo, etc.”, dice Trinkle. quien ha liderado décadas de investigación sobre manipulación de robots y lo está haciendo bien conocido por su trabajo pionero en la simulación de sistemas de múltiples cuerpos en condiciones de contacto limitadas. “Se necesitan muchos campos técnicos para analizar este problema”.

“En la manipulación de robots, el aprendizaje es una alternativa prometedora a los métodos de ingeniería tradicionales y ha tenido mucho éxito, especialmente para las tareas de recoger y colocar”, dice Cui, cuyo trabajo se centró en la intersección de la manipulación de robots y aprendizaje automático. “Si bien muchas preguntas de investigación aún deben responderse, la manipulación aprendida de robots tiene el potencial de introducir manipuladores robóticos en nuestros hogares y negocios. Quizás en un futuro próximo veremos robots limpiando nuestras mesas u organizando armarios “.

En un artículo de revisión en Ciencia Robótica Vie “Hacia la manipulación aprendida de los robots de próxima generación”, Cui y Trinkle resumen, comparan y comparan la investigación sobre la manipulación aprendida de robots a través del prisma de la adaptabilidad y esbozan direcciones prometedoras para futuras investigaciones.

Cui y Trinkle enfatizan la utilidad de la modularidad en el diseño de aprendizaje y señalan la necesidad de representaciones apropiadas para las tareas de manipulación. También señalan que la modularidad permite la personalización.

Cui dice que los ingenieros tradicionales pueden dudar de la confiabilidad de las habilidades aprendidas de manipulación de robots, ya que estas suelen ser soluciones de “caja negra”, lo que significa que los investigadores pueden no saber cuándo o por qué falla una habilidad aprendida.

“Como señala nuestro artículo, la modularización adecuada de las habilidades de manipulación aprendidas puede abrir” cajas negras “y hacerlas más comprensibles”, dice Cui.

Las nueve áreas que Cui y Trinkle proponen como particularmente prometedoras para desarrollar la capacidad y adaptabilidad de la manipulación aprendida de robots son: 1) Aprendizaje de representaciones con más modalidades sensoriales como señales táctiles, auditivas y de temperatura. 2) Simuladores de manipulación avanzados para hacerlos lo más rápidos y realistas posible. 3) Personalización de tareas / habilidades. 4) Representaciones “portátiles” de tareas. 5) Exploración consciente de la manipulación donde el aprendizaje activo puede encontrar con éxito nuevas habilidades mediante el uso de información de contacto. 6) Exploración continua o una forma de mejorar continuamente la habilidad aprendida después de la implementación del robot. 7) Aprendizaje activo distribuido masivamente / paralelo. 8) Innovaciones de hardware que simplifican las manipulaciones más exigentes, como la manipulación diestra en la mano. 9) El rendimiento en tiempo real, ya que las habilidades de manipulación eventualmente aprendidas se probarán en el mundo real.

Siguiendo algunos de estos consejos, Cui y Trinkle están trabajando actualmente en habilidades sensomotoras táctiles para hacer que los manipuladores robóticos sean más diestros y duraderos.

Para Cui, uno de los descubrimientos más emocionantes que ha hecho mientras exploraba la investigación actual es que la manipulación de robots aprendidos aún está en su infancia.

“Esto deja muchas oportunidades para que la comunidad investigadora explore y crezca”, dice Cui. “Un futuro prometedor y un enorme espacio para explorar harán de la manipulación de robots aprendidos un área de investigación apasionante durante las próximas décadas”.