Un nuevo sistema que enseña a los robots una tarea doméstica en unos 20 minutos podría ayudar al campo de la robótica a superar uno de sus mayores retos: la falta de datos de entrenamiento.

El sistema de código abierto, llamado Dobb-E, se entrenó utilizando datos recogidos en hogares reales. Puede ayudar a enseñar a un robot a abrir una freidora de aire, cerrar una puerta o enderezar un cojín, entre otras tareas.

Mientras que otros tipos de IA, como los modelos de lenguaje de gran tamaño, se entrenan con enormes repositorios de datos extraídos de Internet, no se puede hacer lo mismo con los robots, porque los datos deben recopilarse físicamente. Por eso es mucho más difícil crear y ampliar bases de datos de entrenamiento.

Del mismo modo, aunque es relativamente fácil entrenar robots para que ejecuten tareas en un laboratorio, estas condiciones no se trasladan necesariamente a la imprevisibilidad de un hogar real.

Para combatir estos problemas, el equipo ideó una forma sencilla y fácilmente reproducible de recopilar los datos necesarios para entrenar a Dobb-E: utilizar un iPhone sujeto mediante un palo provisto de una pinza, del tipo que habitualmente se utiliza para la recogida de basura. A continuación, programaron el iPhone para que grabara vídeos de lo que ocurría.

Voluntarios de 22 hogares de Nueva York realizaron determinadas tareas con el palo, como abrir y cerrar puertas y cajones, encender y apagar luces y tirar pañuelos a la basura. Los sistemas lidar, sensores de movimiento y giroscopios de los iPhones se utilizaron para registrar datos de movimiento, profundidad y rotación, información importante a la hora de entrenar a un robot para que repitiera las acciones por sí solo.

Tras recopilar un total de 13 horas de grabaciones, el equipo utilizó los datos para entrenar un modelo de inteligencia artificial que indicara a un robot cómo realizar las acciones. El modelo utilizó técnicas de aprendizaje autosupervisado, que enseñan a las redes neuronales a detectar patrones en conjuntos de datos por sí mismas, sin guiarse por ejemplos etiquetados.

El siguiente paso consistió en probar la fiabilidad de un robot comercial llamado Stretch, que consta de una unidad con ruedas, un mástil y un brazo retráctil, para ejecutar las tareas con el sistema de IA. Se colocó un iPhone en un soporte impreso en 3D en el brazo de Stretch para reproducir la configuración del palo.

Los investigadores probaron el robot en 10 hogares de Nueva York durante 30 días, y completó 109 tareas domésticas con una tasa global de éxito del 81%. Dobb-E tardó unos 20 minutos en aprender cada tarea: cinco minutos de demostración por parte de un humano con el palo y el iPhone enganchado, seguidos de 15 minutos de ajuste en los que el sistema comparaba su entrenamiento previo con la nueva demostración.

Una vez completada la puesta a punto, el robot fue capaz de realizar tareas sencillas, como verter una taza, abrir persianas y cortinas de ducha o sacar cajas de juegos de mesa de una estantería. También podía realizar varias acciones seguidas, como meter una lata en una bolsa de reciclaje y luego levantar la bolsa.

Sin embargo, no todas las tareas tuvieron éxito. Las superficies reflectantes, como los espejos, confundían al sistema. Además, como el centro de gravedad del robot es bajo, las tareas que requerían tirar de algo pesado en altura, como abrir las puertas de los frigoríficos, resultaban demasiado arriesgadas.

La investigación representa un progreso tangible para el campo de la robótica doméstica, afirma Charlie C. Kemp, cofundador de la empresa de robótica Hello Robot y antiguo profesor asociado de Georgia Tech. Aunque el equipo de Dobb-E utilizó el robot de investigación de Hello Robot, Kemp no participó en el proyecto.

"El futuro de los robots domésticos está al caer. Ya no es un sueño descabellado", afirma. "Ampliar los datos siempre ha sido un reto en robótica, y este es un enfoque muy creativo e inteligente de ese problema".

Hasta la fecha, Roomba y otros robots aspiradores son los únicos verdaderos éxitos comerciales de robots domésticos, afirma Jiajun Wu, profesor adjunto de Informática de la Universidad de Stanford, que no participó en la investigación. Su trabajo es más fácil porque los Roombas no interactúan con los objetos; de hecho, su objetivo es evitarlos. Es mucho más difícil desarrollar robots domésticos capaces de realizar una gama más amplia de tareas, que es lo que esta investigación podría ayudar a avanzar.

El equipo de investigación de la Universidad de Nueva York ha hecho que todos los elementos del proyecto sean de código abierto, y esperan que otros descarguen el código y ayuden a ampliar la gama de tareas que podrán realizar los robots que utilicen Dobb-E.

"Nuestra esperanza es que, cuando tengamos cada vez más datos, en algún momento, cuando Dobb-E vea un nuevo hogar, no haya que mostrarle más ejemplos", afirma Lerrel Pinto, investigador informático de la Universidad de Nueva York que ha trabajado en el proyecto.

"Queremos llegar a un punto en el que no tengamos que enseñar al robot nuevas tareas, porque ya conoce todas las de la mayoría de las casas", afirma.