Para hacerlos más adaptables y hábiles, investigadores y empresas están recurriendo cada vez más al aprendizaje automático. Por lo general, esto implica enseñarle un vídeo de lo que hay frente a él y pedirle que aprenda qué movimientos debe hacer para manipular dicho objeto. Por ejemplo, un equipo de OpenAI, una organización sin ánimo de lucro en San Francisco (EE.UU.), enseñó a una mano robótica a manipular un cubo infantil de esta manera (ver La IA que pasó cien años de soledad aprendiendo a usar una mano).
n nPero los humanos usamos más cosas además de los ojos para aprender a manejar objetos. La visión se combina con un sentido del tacto, y aprendemos, desde el principio, que los objetos colocados de forma inestable probablemente se caerán.
nEste esquema de aprendizaje fue la inspiración para un nuevo robot desarrollado por el investigador del MIT Nima Fazeli y sus compañeros. El equipo ha dotado al robot de una comprensión fundamental de la física del mundo real y del sentido del tacto.
nPara demostrar su agilidad, el robot se enfrentó a una torre de Jenga, un juego que consiste en ir quitando bloques de la torre sin que se caiga. También mostró su ingenio a la hora de decidir qué bloque quitar sin que la torre se cayera.
nLa investigación se basa en varias ideas clave desarrolladas por el investigador del Departamento de Ciencias Cognitivas y Estudios de la Mente del MIT Josh Tenenbaum y su trabajo sobre el conocimiento humano. Su enfoque se basa en que los humanos desarrollan una comprensión intuitiva de la física desde pequeños, y que la probabilidad es la clave para razonar sobre el mundo. Esto difiere de muchas de las actuales investigaciones de IA, que giran en to o a la alimentación de las redes neuronales muy grandes o "profundas" con la mayor cantidad de datos posible.
nEl robot, equipado con sensores de fuerza y cámaras, aprendió a jugar a Jenga toqueteando y empujando los bloques y utilizando la retroalimentación visual y táctil para aprender el esquema físico del mundo. Cuando se enfrentó a una nueva torre de bloques, usó ese esquema para deducir qué bloque debería intentar quitar de la torre. Se puede ver lo bien que se le daba en el vídeo de arriba.
n
Al combinar la visión, el tacto y este modelo físico del mundo real, el robot aprende a jugar a Jenga de la manera más eficiente posible. El modelo físico intuitivo también permite al robot comprender rápidamente que lo más probable es que un bloque que cuelga sobre un borde se caiga. En las pruebas, este enfoque superó a los métodos convencionales de aprendizaje automático. El estudio se ha publicó la semana pasada en la revista Science Robotics.
nEsta técnica más humana de aprendizaje podría ayudar a que los robots de fábricas y almacenes sean mucho más capaces. Si eso falla, al menos podríamos jugar a Jenga con ellos.
n