Los investigadores consiguieron que un brazo robótico con una pala impresa en 3D ganara 13 de los 29 partidos de tenis de mesa de competición contra oponentes humanos de distintas habilidades. La investigación se ha publicado en un artículo de Arxiv.
El sistema dista mucho de ser perfecto. Aunque el robot de tenis de mesa fue capaz de vencer a todos los oponentes humanos de nivel principiante a los que se enfrentó y al 55% de los que jugaban a nivel aficionado, perdió todos los partidos contra jugadores avanzados. Aun así, es un avance impresionante.
"Incluso hace unos meses preveíamos que, siendo realistas, el robot no podría ganar a personas con las que no hubiera jugado antes. Sin duda, el sistema ha superado nuestras expectativas", afirma Pannag Sanketi, ingeniero de software sénior de Google DeepMind que dirigió el proyecto. "La forma en que el robot superó incluso a rivales fuertes fue alucinante".
Y la investigación no tiene sólo que ver con el aspecto lúdico y deportivo. De hecho, representa un paso adelante hacia la creación de robots capaces de realizar tareas útiles con destreza y seguridad en ento os reales como hogares y almacenes, lo que constituye un viejo objetivo de la comunidad robótica. El enfoque de Google DeepMind para entrenar máquinas es aplicable a muchas otras áreas del campo, afirma Lerrel Pinto, investigador de informática de la Universidad de Nueva York que no trabajó en el proyecto.
"Soy un gran fan de ver sistemas robóticos trabajando realmente con y alrededor de humanos reales, y este es un ejemplo fantástico de ello", afirma. "Puede que no sea un jugador fuerte, pero los ingredientes en bruto están ahí para seguir mejorando y conseguirlo".
Para llegar a ser un jugador de tenis de mesa competente, los humanos requieren una excelente coordinación mano-ojo, la capacidad de moverse rápidamente y tomar decisiones rápidas reaccionando a su oponente, todo lo cual son desafíos significativos para los robots. Los investigadores de Google DeepMind utilizaron un enfoque de dos partes para entrenar el sistema para imitar estas habilidades: utilizaron simulaciones por ordenador para entrenar el sistema para dominar sus habilidades de golpeo; luego lo afinaron utilizando datos del mundo real, lo que le permite mejorar con el tiempo.
Los investigadores recopilaron un conjunto de datos de estados de pelotas de tenis de mesa, incluidos datos sobre posición, giro y velocidad. El sistema se basó en esta biblioteca en un ento o simulado diseñado para reflejar con precisión la física de los partidos de tenis de mesa para aprender habilidades como devolver un saque, golpear un golpe de derecha o un golpe de revés. Como las limitaciones del robot le impedían sacar la pelota, se modificaron los partidos reales para adaptarlos a esta circunstancia.
Durante sus partidos contra humanos, el robot recopila datos sobre su rendimiento para ayudar a perfeccionar sus habilidades. Rastrea la posición de la pelota con datos captados por un par de cámaras y sigue el estilo de juego de su oponente humano mediante un sistema de captura de movimiento que utiliza LED en la pala de su oponente. Los datos de la pelota se introducen en la simulación para el entrenamiento, creando un bucle de retroalimentación continua.
Esta retroalimentación permite al robot probar nuevas habilidades para intentar vencer a su oponente, lo que significa que puede ajustar sus tácticas y su comportamiento como lo haría un humano. Esto significa que mejora progresivamente tanto a lo largo de un partido como con el paso del tiempo, cuantos más partidos juegue.
El sistema tuvo problemas para golpear la pelota cuando ésta era golpeada muy rápido, más allá de su campo de visión (a más de dos metros por encima de la mesa), o muy bajo, debido a un protocolo que le ordena evitar colisiones que pudieran dañar su pala. Las pelotas giratorias resultaron ser un reto porque carecía de la capacidad de medir directamente el giro, una limitación que los jugadores avanzados no tardaron en aprovechar.
Entrenar a un robot para todas las eventualidades en un ento o simulado es un verdadero reto, afirma Chris Walti, fundador de la empresa de robótica Mytra y anteriormente jefe del equipo de robótica de Tesla, que no participó en el proyecto.
"Es muy, muy difícil simular el mundo real porque hay muchas variables, como una ráfaga de viento o incluso polvo [en la mesa]", afirma. "A menos que tengas simulaciones muy realistas, el rendimiento de un robot se va a ver limitado".
Google DeepMind cree que estas limitaciones podrían solucionarse de varias maneras; por ejemplo, desarrollando modelos predictivos de IA diseñados para anticipar la trayectoria de la pelota e introduciendo mejores algoritmos de detección de colisiones.
Lo más importante es que los jugadores humanos disfrutaron de sus partidos contra el brazo robótico. Incluso los competidores avanzados que lograron derrotarlo afirmaron que la experiencia les había parecido divertida y atractiva, y que sentían que tenía potencial como compañero dinámico de práctica para ayudarles a perfeccionar sus habilidades.
"Me encantaría tenerlo como compañero de entrenamiento, alguien con quien jugar algunos partidos de vez en cuando", dijo uno de los participantes en el estudio.