Podemos encontrar respuestas a una amplia gama de preguntas sobre casi cualquier tema con sólo susurrar en un teléfono inteligente o escribir en un ordenador portátil. Parte de lo que hace esto posible es que los seres humanos se les da bien hacer frente a la ambigüedad. Así que la respuesta a una pregunta sencilla como "cómo hacer una tostada de queso" puede dar lugar a instrucciones muy generales que una persona normal puede seguir fácilmente.
Para los robots, el reto es muy diferente. Estas máquinas necesitan instrucciones detalladas, incluso para las tareas más simples. Por ejemplo, un robot que le pregunte a un motor de búsqueda "cómo traer un té dulce desde la cocina" es poco probable que consiga los detalles que necesita para llevar a cabo la tarea, ya que necesita todos los tipos de conocimiento incidental, como la idea de que las tazas pueden contener líquido (pero no cuando están boca abajo), que el agua sale de los grifos y que se puede calentar en una cazuela o en el microondas, y cosas así.
Lo cierto es que para que los robots obtengan conocimientos útiles de los motores de búsqueda, estas bases de datos tendrán que contener una descripción mucho más detallada de cada tarea que tenga que llevarse a cabo.
Ahí es donde empieza la labor de Ashutosh Saxena en la Universidad de Stanford de Palo Alto (EEUU), que junto a su equipo se ha dedicado construir tal motor de conocimiento para robots.
El equipo ya han comenzado a crear una especie de Google para robots al que puede acceder libremente cualquier dispositivo que desee llevar a cabo una tarea. Al mismo tiempo, la base de datos recopila nueva información sobre estas tareas a medida que los robots las realizan, aprendiendo de la experiencia. A este nuevo motor de conocimiento lo llaman RoboBrain.
El equipo se ha enfrentado a varias dificultades a la hora de diseñar RoboBrain. Para empezar, los robots tienen muchos tipos distintos de sensores y diseños, de modo que la información tiene que ser almacenada de una forma que sea útil para cualquier tipo de máquina. El motor de conocimiento debe ser capaz de responder a una variedad de tipos distintos de preguntas planteadas por robots de formas distintas. Y debería ser capaz de recopilar conocimiento de diferentes fuentes, como inte et o en bases de conocimiento existentes, tales como WordNet, IMAGEnet, Freebase y OpenCyc.
Es más, los investigadores quieren que Robobrain sea un proyecto de colaboración vinculado con servicios ya existentes. Para ello, el equipo ya se ha asociado con servicios como Tell Me Dave, una start-up cuyo objetivo es permitir a los robots entender instrucciones en lenguaje natural, PlanIt, una forma de que los robots planifiquen rutas usando información de crowdsourcing.
"A medida que cada vez más investigadores aportan conocimientos a RoboBrain, esto no sólo hará que los robots tengan un mejor rendimiento, sino que también creemos que será beneficioso para la comunidad robótica en general", afirman Saxena y su equipo. Han creado un sitio web llamado RoboBrain.me para que actúe como puerta de entrada y promueva la idea.
Crear un motor de conocimiento de este tipo no es tarea fácil. Saxena y su equipo lo consideran un problema de teoría de redes en el que el conocimiento se representa como un gráfico dirigido. Los nodos del gráfico pueden ser varias cosas distintas, como una imagen, un texto, vídeo, datos hápticos o un concepto aprendido, como por ejemplo un "contenedor".
A continuación RoboBrain acepta la nueva información en forma de conjunto de aristas que enlazan a un subconjunto de nodos agrupados. Por ejemplo, la idea de que un "humano sentado puede utilizar una taza" podría enlazar los nodos de taza, tazón y humano sentado con conceptos como "ser capaz de utilizar algo".
Cualquier robot que consulte la base de datos y busque este término, o algo parecido, podría descargar el conjunto de aristas y nodos que lo representan.
Es algo más que una idea ingeniosa. Los investigadores ya han comenzado a construir la base de datos y a utilizarla para permitir a los robots planificar ciertas acciones, como navegar por interiores y mover ingredientes de cocina.
Muestran cómo uno de sus propios robots utiliza RoboBrain para mover un cartón de huevos hasta el otro extremo de una mesa. Puesto que los huevos son frágiles, tienen que ser manejados con cuidado, algo que el robot puede aprender consultando RoboBrain.
Una parte importante del proyecto es aplicar el conocimiento aprendido en una situación a otras situaciones. Así que la misma técnica para el manejo de los huevos también se podría utilizar para manipular otros objetos frágiles, como bombillas.
El equipo tiene grandes planes para el futuro. Por ejemplo, les gustaría ampliar la base de conocimientos para incluir fuentes de conocimiento aún más grandes, como vídeos en línea. Un robot que consultase vídeos explicativos podría aprender a hacer una amplia variedad de tareas del hogar.
Es un trabajo interesante y tiene un potencial importante para cambiar la forma en que los robots aprenden a gran escala. Las bases de conocimiento en línea han tenido un impacto notable en la forma en que los humanos perciben el mundo que les rodea y cómo interactúan con él.
Resulta sensato creer que RoboBrain podría tener un impacto similar en nuestros primos electrónicos.
Ref: arxiv.org/abs/1412.0691: RoboBrain: Large-Scale Knowledge Engine for Robots