Tendencias21

Crean robots que detectan su ubicación en el espacio

Una red neuronal de aprendizaje profundo ha permitido desarrollar robots que logran ubicarse en forma independiente en el espacio en que se mueven y detectar cada parte de su cuerpo, volviéndose así más eficientes.

Investigadores del Instituto Tecnológico de Massachusetts (MIT) han creado una red neuronal de aprendizaje profundo que «enseña» a los robots a posicionarse de forma autónoma en el espacio, detectando su ubicación y también todas las partes de su cuerpo. Estas condiciones aumentan la eficiencia de los dispositivos robóticos y diversifican sus potenciales aplicaciones.

De acuerdo a un comunicado, las nuevas características que aporta el sistema de Inteligencia Artificial hacen posible que los robots de cuerpo blando logren interactuar mejor con su entorno y completar las tareas asignadas en cada caso. El avance es un paso hacia la automatización del diseño de robots, ya que la red neuronal es capaz de descubrir cómo diseñar mejor cada robot para resolver una tarea específica.

Los científicos del MIT se plantearon en su estudio, publicado en la revista IEEE Robotics and Automation Letters, la concreción de un avance técnico que permita a los robots de cuerpo blanco poder relacionarse mejor con su entorno y con su propia estructura. Es que a diferencia de los dispositivos de cuero rígido, estos robots pueden variar entre un número prácticamente infinito de formas.

Aunque dicha condición incrementa su versatilidad y hace que se vuelvan más amigables para el ser humano, al mismo tiempo dificultan su posicionamiento en el espacio y la detección de cada parte de su estructura. En consecuencia, muchas veces estos robots no logran relacionarse adecuadamente con su entorno y pierden posibilidades en términos de eficiencia y capacidad resolutiva.

Resolviendo problemas de ubicación en el espacio

Mientras los robots rígidos tienen un rango de movimiento limitado, debido a la presencia de un conjunto finito de articulaciones y extremidades que permiten realizar cálculos manejables para el mapeo y la planificación del movimiento, la situación de los robots blandos es muy diferente. Es que cualquier punto de un robot de cuerpo blando puede, en teoría, deformarse de todas las formas posibles. Lógicamente, esto multiplica las posibilidades de movimiento y vuelve muy complejo su diseño.

Ahora, el algoritmo creado por los investigadores estadounidenses logra ayudar a los ingenieros a diseñar robots blandos que recopilen información más útil sobre su entorno. Integrado a un sistema de aprendizaje profundo, el algoritmo sugiere una ubicación optimizada de sensores dentro del cuerpo del robot, para que de esta forma capte mejor el entorno y pueda realizar con éxito nuevas tareas.

Gracias a esta innovación, los especialistas creen haber dado un paso importante hacia el desarrollo de robots de cuerpo blanco realmente eficientes. Vale destacar que la red neuronal incorpora las características de cada parte del cuerpo del robot, para posteriormente llevar adelante un proceso de prueba y error a través del cual “aprende” la secuencia de movimientos más eficiente para completar una tarea determinada, como por ejemplo agarrar objetos de diferentes tamaños.

Automatización inteligente

Para verificar la eficiencia del sistema, los investigadores compararon el trabajo de los robots con sensores optimizados mediante su algoritmo con el de otros que llevaban sensores colocados en base al criterio de expertos. Los resultados fueron concluyentes: los robots diseñados por el sistema de Inteligencia Artificial aventajaron claramente en términos de eficiencia y capacidad para resolver tareas a los robots optimizados por seres humanos.

En función de estos resultados, los científicos creen que esta solución tecnológica podría abrir un nuevo camino hacia la automatización inteligente del diseño de robots, aumentando su impacto en diversas áreas de la actividad industrial y económica, como así también su uso en tareas de asistencia y colaboración con el ser humano.

Referencia

Co-Learning of Task and Sensor Placement for Soft Robotics. Andrew Spielberg; Alexander Amini; Lillian Chin; Wojciech Matusik; Daniela Rus et al. IEEE Robotics and Automation Letters (2021).DOI:https://doi.org/10.1109/LRA.2021.3056369

Video: Alexander Amini.

Foto: Xu Haiwei en Unsplash.

Pablo Javier Piacente

Pablo Javier Piacente

Pablo Javier Piacente es periodista especializado en comunicación científica y tecnológica.

Hacer un comentario