Investigadores de la Instituto de Tecnología de Massachusetts han descubierto una manera de controlar y diseñar mejor los robots blandos para realizar tareas objetivo. Este ha sido un objetivo en la robótica blanda durante mucho tiempo y es un gran logro.
Los robots blandos tienen cuerpos flexibles que son capaces de moverse en un número infinito de formas en un momento dado. En lo que respecta a la computación, esta es una «representación de estado» muy compleja que describe los movimientos de cada parte del robot. Estos posiblemente pueden tener millones de dimensiones, lo que significa que es más difícil calcular la mejor manera para que un robot complete tareas de destino complejas.
Los investigadores del MIT presentarán un modelo en la Conferencia sobre Sistemas de Procesamiento de Información Neural en diciembre. El modelo puede aprender una representación de estado compacta o de «baja dimensión» que se basa en la física del robot, el entorno y otros factores. Luego, el modelo puede cooptimizar el control de movimiento, así como los parámetros de diseño de materiales, que luego se dirigen a tareas específicas.
Andrew Spielberg es estudiante de posgrado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL).
“Los robots blandos son criaturas de infinitas dimensiones que se doblan en mil millones de formas diferentes en un momento dado, pero en verdad, hay formas naturales en que los objetos blandos tienden a doblarse. Encontramos que los estados naturales de los robots blandos se pueden describir de manera muy compacta en una descripción de baja dimensión. Optimizamos el control y el diseño de robots blandos aprendiendo una buena descripción de los estados probables”.
En las simulaciones que se llevaron a cabo, el modelo permitió que los robots blandos 2D y 3D completaran las tareas objetivo. Las tareas incluían moverse a diferentes distancias y alcanzar puntos de destino. El modelo pudo hacer esto más rápido y con mayor precisión que otros métodos actuales. Los investigadores ahora quieren usar el modelo en robots blandos reales.
Otras personas que trabajaron en el proyecto incluyen a los estudiantes graduados de CSAIL, Allan Zhao, Tao Du y Yuanming Hu; Daniel Rus, director del CSAIl y profesor Andrew y Erna Viterbi de Ingeniería Eléctrica y Ciencias de la Computación; y Wojciech Matusik, profesor asociado de ingeniería eléctrica e informática del MIT y director del Grupo de Fabricación Computacional.
La robótica blanda es un campo en crecimiento que es extremadamente importante dentro del alcance más amplio de la robótica avanzada. Las características como los cuerpos flexibles podrían desempeñar un papel en una interacción más segura con los humanos, la manipulación de objetos, la maniobrabilidad y mucho más.
Durante las simulaciones, un “observador” se encarga del control de los robots. Un «observador» es un programa que calcula variables que ven la forma en que se mueve el robot suave para completar una tarea.
Eventualmente, los investigadores desarrollaron un nuevo método de «optimización de aprendizaje en el ciclo». Todos los parámetros optimizados se aprenden durante un ciclo de retroalimentación único que se lleva a cabo en múltiples simulaciones. Al mismo tiempo, el método aprende la representación del estado.
El modelo utiliza una técnica llamada «método de puntos materiales (MPM). Un MPM simula el comportamiento de partículas de materiales continuos, como espumas y líquidos, y está rodeado por una cuadrícula de fondo. La técnica es capaz de capturar las partículas del robot y su entorno observable en píxeles 3D o vóxeles.
La información de la cuadrícula de partículas sin procesar se envía luego a un componente de aprendizaje automático. Aprende a ingresar una imagen, comprimirla a una representación de baja dimensión y luego descomprimirla nuevamente en la imagen de entrada.
La representación comprimida aprendida actúa como la representación de estado de baja dimensión del robot. Las representaciones comprimidas regresan al controlador en una fase de optimización, y genera una acción calculada sobre cómo debe moverse cada partícula en el siguiente paso estimulado por MPM.
Al mismo tiempo, el controlador usa la información para ajustar la rigidez óptima de cada partícula. La información del material podría usarse para robots blandos de impresión 3D, ya que cada punto de partícula se puede imprimir con una rigidez diferente.
“Esto permite crear diseños de robots adaptados a los movimientos del robot que serán relevantes para tareas específicas”, dice Spielberg. “Al aprender estos parámetros juntos, mantiene todo lo más sincronizado posible para facilitar el proceso de diseño”.
Los investigadores esperan que eventualmente puedan diseñar desde la simulación hasta la fabricación.