Foto: Fanuc mostró un robot entrenado con aprendizaje reforzado en la exposición Internacional de Robots en Tokio en diciembre. Crédito: Asahi Shimbun (Getty Images).
Los robots industriales se caracterizan por su extrema precisión y velocidad, pero normalmente tienen que programarse cuidadosamente para que aprendan a hacer cosas tan sencillas como sujetar un objeto. Esta programación es complicada y laboriosa, e implica que normalmente estos robots sólo puedan trabajar en entornos estrictamente controlados.
El robot de Fanuc emplea una técnica conocida como aprendizaje profundo reforzado para entrenarse, con el tiempo, para aprender nuevas tareas. Intenta asir objetos mientras graba el proceso en vídeo. Cada vez que acierta o falla, recuerda el aspecto del objeto, un conocimiento que se emplea para refinar un modelo de aprendizaje profundo, o una gran red neuronal, que controla sus acciones. El aprendizaje profundo ha demostrado representar un potente enfoque para el reconocimiento de patrones durante los últimos años.
"Después de ocho horas, más o menos, consigue una precisión del 90% o más, que es casi la misma que si un experto lo hubiera programado", explica el director de investigaciones de Preferred Networks, Shohei Hido. La compañía, con sede en Tokio, está especializada en aprendizaje de máquinas.
Los investigadores en robótica están probando el uso del aprendizaje reforzado para simplificar y acelerar la programación de los robots que realizan trabajos de fábrica. Este mes Google publicó los detalles de su propia investigación sobre el uso del aprendizaje reforzado para enseñar a los robots a sujetar objetos.
El robot de Fanuc fue programado por Preferred Networks. Fanuc, el fabricante más grande de robots industriales del mundo, invirtió 7,3 millones de dólares (unos 6,5 millones de euros) en Preferred Networks en agosto del año pasado. Las empresas hicieron una demostración del robot de aprendizaje en la Exhibición Internacional de Robots en Tokio el pasado mes de diciembre.
Uno de los enormes beneficios potenciales del enfoque del aprendizaje reforzado, según Hido, es que puede acelerarse si varios robots trabajan en paralelo y comparten lo que han aprendido. De forma que ocho robots que trabajan juntos durante una hora pueden alcanzar el mismo nivel de aprendizaje que una máquina que trabaja durante ocho horas. Hido explica: "Nuestro proyecto está orientado al aprendizaje distribuido, en el que cientos de robots de fábrica compartirían información".
Esa forma de aprendizaje distribuido, a veces denominado "robótica en la nube", está convirtiéndose en una importante tendencia dentro de las investigaciones y la industria (ver Robots que se enseñan unos a otros).
"Fanuc está bien posicionada para embarcarse en esto", afirma el profesor de robótica de la Universidad de California en Berkeley (EEUU), Ken Goldberg, debido al el gran número de máquinas que instala en fábricas de todo el mundo. El experto añade que es muy probable que la robótica en nube revolucione la manera en que utilizamos los robots durante los próximos años.
Goldberg y sus compañeros (incluidos varios investigadores de Google) ya están yendo más lejos al enseñar a los robots cómo determinados movimientos podrían servir para asir no sólo determinados objetos, sino también determinadas formas. Un trabajo sobre esta investigación será presentado en la Conferencia Internacional IEEE sobre Robótica y Automatización en mayo.
No obstante, Goldberg señala que aplicar el aprendizaje de máquinas representa un reto porque controlar el comportamiento es más complejo que, digamos, reconocer objetos dentro de las imágenes. Según sus propias palabras: "El aprendizaje profundo ha logrado unos progresos enormes en el reconocimiento de patrones, pero el reto con la robótica va más allá. Tenemos que poder generar las acciones apropiadas para un amplio abanico de estímulos".
Fanuc puede que no sea la única empresa que está desarrollando robots que emplean el aprendizaje de máquinas. En 2014, el fabricante suizo de robots ABB invirtió en otra start-up llamada Vicarious. Aunque los frutos de esa inversión aún no se conocen.