Recoger un bolígrafo o unas gafas de sol puede ser fácil para ti, pero resulta endiabladamente difícil para un robot, especialmente si no está familiarizado con el objeto en cuestión o está mal colocado.
Pero un robot está demostrando que la práctica hace al maestro. Está enseñándose a sí mismo a agarrar todo tipo de objetos mediante horas de repetición. El robot utiliza diferentes cámaras y sensores de infrarrojos para mirar un objeto desconocido desde varios ángulos. Después prueba con varios tipos de agarre, sacudiendo el objeto para asegurarse de tenerlo bien sujeto. Puede llevarle docenas de intentos encontrar el agarre correcto, y otras docenas más para que consiga que el objeto no se le escurra.
Eso podría parecer tedioso, pero una vez que ha aprendido a recoger un objeto, puede compartir ese conocimiento con otros robots equipados con los mismos sensores y pinzas. Los investigadores esperan conseguir que cientos de robots aprendan de forma colectiva cómo agarrar un millón de cosas distintas.
El trabajo fue realizado por Stefanie Tellex, una profesora adjunta de la Universidad de Brown (EEUU), junta a uno de sus alumnos de postgrado John Oberlin. Utilizaron un robot industrial con dos brazos llamado Baxter (ver Baxter: el robot obrero), fabricado por la empresa radicada en Boston (EEUU) Rethink Robotics.
En el Coloquio Robótico del Noreste, celebrado este mes en el Instituto Politécnico de Worcester (EEUU), Oberlin demostró las capacidades de agarre del robot al público. Habilitar a los autómatas para que manipulen objetos con mayor facilidad es uno de los grandes retos actuales de la robótica, y podría tener una enorme importancia industrial (ver El concurso de robots de Amazon podría acabar con los empaquetadores humanos).
Tellex dice que los investigadores de robótica están buscando maneras más eficientes de entrenar a los robots para que ejecuten tareas como la manipulación. "Ahora disponemos de potentes algoritmos, como el aprendizaje profundo (ver El aprendizaje profundo quiere revolucionar todas las industrias), que pueden aprender de grandes conjuntos de datos, pero estos algoritmos necesitan datos", explica. "La práctica robótica es un modo de adquirir los datos que un robot necesita para aprender a manipular objetos de forma robusta".
Tellex también señala que hay alrededor de 300 robots Baxter en varios laboratorios de investigación por todo el mundo. Si cada uno de estos robots pudiese utilizar ambos brazos para examinar objetos nuevos, según Tellex, sería posible que aprendieran a agarrar un millón de objetos en 11 días. "Al compartir los robots lo que han aprendido, es posible aumentar la velocidad de la recopilación de datos por órdenes de magnitud", afirma.
Para sujetar cada objeto, el robot de los investigadores lo escanea desde varios ángulos utilizando una de las cámaras incorporadas en sus brazos y los sensores de infrarrojos de su cuerpo. Esto le permite identificar sitios donde agarrar el objeto. Los investigadores emplearon una técnica matemática para optimizar el proceso de practicar con distintos agarres. Con esta técnica, el robot Baxter del equipo cogió los objetos con hasta un 75% más de fiabilidad de lo que había hecho mediante el uso de su software habitual. La información adquirida de cada objeto – las imágenes, los escaneos en 3D y el agarre correcto – se codifica en un formato que permite que sea compartido en línea.
Otros grupos están desarrollando métodos para permitir que los robots aprendan a realizar varias tareas, incluido el agarre. Una de las maneras más prometedoras para lograrlo es el aprendizaje profundo mediante el uso de redes neuronales, unas simulaciones inspiradas en la forma en la que los nervios del cerebro procesan datos y aprenden (ver Un robot aprende a ponerse en pie casi como lo haría un niño).
Aunque los humanos adquieren la capacidad de agarre mediante el aprendizaje, un niño no necesita pasar tanto tiempo manipulando diferentes objetos, y puede utilizar la experiencia previa para averiguar rápidamente cómo recoger un objeto nuevo. Tellex dice que el objetivo final de su proyecto es dotar a los robots de unas capacidades similares. "Nuestra meta a largo plazo es emplear estos datos para generalizar objetos nuevos", asegura.