Cambiar de un teléfono inteligente a otro es, en su mayoría, un proceso sencillo. Inicias sesión en tus cuentas y tus aplicaciones, preferencias y contactos deberían sincronizarse con el nuevo hardware. Pero en el mundo de la robótica, cambiar un brazo robótico viejo por un modelo más nuevo ha significado configurar todo desde cero — hasta ahora.
Para solucionarlo, un equipo de investigadores de la Escuela Politécnica Federal de Lausana (EPFL) ha desarrollado lo que llaman Inteligencia Cinemática, un marco que hace que cambiar robots funcione más como cambiar teléfonos inteligentes. Describen su sistema en un artículo reciente de Science Robotics.
Durante años, los robóticos han trabajado para que los robots aprendan mediante demostración — enseñándoles nuevas habilidades mostrándoles qué hacer, en lugar de escribir líneas de código. La idea es controlar remotamente o guiar físicamente el brazo del robot para enseñarle una tarea como limpiar una mesa, apilar cajas o soldar un componente de automóvil. El problema es que la mayoría de estas habilidades enseñadas terminan ligadas al robot específico con el que se realizó el entrenamiento.
Pero la robótica avanza rápidamente. “Los robots tienen diferentes diseños, y hoy en día se proponen nuevos diseños — eso trae sus propios desafíos”, dijo Sthithpragya Gupta, robótico de la EPFL y autor principal del estudio. Si un nuevo robot tiene eslabones ligeramente más largos, una orientación de articulación diferente o una configuración más compleja, ese comportamiento aprendido se rompe instantáneamente y el nuevo robot probablemente se agitará, se congelará o chocará si lo intenta.
“Con nuevos diseños vienen diferentes capacidades y limitaciones”, dijo Durgesh Haribhau Salunkhe, robótico de la EPFL y coautor del estudio. “El problema es adaptarse a estas limitaciones y capacidades — para replicar fielmente las acciones demostradas por un humano”. Hoy en día, dar el salto de un cuerpo robótico a otro generalmente significa empezar desde cero y reentrenar todo el sistema.
Cuando un robot se mueve por el espacio para completar una tarea, debe calcular constantemente cómo doblar sus articulaciones para mantener su efector final (un equivalente robótico de una mano) en la trayectoria correcta. El robot tiene que evitar golpear un límite físico, o peor, una singularidad, que en robótica es una zona de peligro matemática: una configuración física donde las articulaciones del robot se alinean de tal manera que pierde temporalmente un grado de libertad. “En tales posiciones, el movimiento del robot puede volverse inestable o [puede] perder el control del robot”, dijo Gupta.
En términos humanos, funciona aproximadamente como bloquear los codos cuando se estiran completamente al empujar algo pesado, lo que hace que los brazos no puedan realizar movimientos laterales por un momento.
Transferir habilidades de un robot a otro es difícil porque robots con estructuras diferentes generalmente tienen una topología de singularidades diferente. Cuando el algoritmo de un robot sigue ciegamente una trayectoria y golpea una singularidad, las matemáticas que controlan sus articulaciones fallarán. El robot podría intentar girar una articulación a velocidad infinita, por ejemplo, resultando en un movimiento repentino e inseguro. El equipo de Gupta resolvió esto dándole a los robots una profunda conciencia matemática innata de sus propias limitaciones físicas. Esta Inteligencia Cinemática, como la llaman, permite a un usuario demostrar una habilidad solo una vez, y que sea ejecutada de manera segura por un tipo de robot completamente diferente.
Y (sorprendentemente, hoy en día) la Inteligencia Cinemática se construyó de manera libre de IA.
Tradicionalmente, los ingenieros han lidiado con las singularidades mediante parches de software. Construyeron modelos inversos, fórmulas matemáticas complejas que trabajan hacia atrás desde la posición objetivo del efector final del robot para mapear todas las posiciones de las articulaciones necesarias para llegar allí. Luego, simplemente añadían filtros de seguridad o correcciones para evitar que el robot se metiera en problemas.
Algunos de los enfoques de IA más nuevos, basados en datos, requieren menos esfuerzo y experiencia, pero requieren acceso a cada robot en el que se usará el software de control durante la fase de entrenamiento. “Además, está esta naturaleza probabilística o de caja negra de la IA en la que puede hacer algo”, dijo Gupta.