4236CB75 BEF2 4532 80F5F0D692942457 source

Los robots de todas las formas y tamaños ocupan cada vez más los lugares de trabajo, desde las fábricas hasta los quirófanos. Muchos de los bots se basan en el aprendizaje automático para adquirir nuevas habilidades a través de prueba y error. Un nuevo método ayuda a transferir tales habilidades entre robots de diferentes formas, por lo que las tareas no tienen que aprenderse desde cero cada vez. «Prácticamente, es importante», dice Xingyu Liu, científico informático de la Universidad Carnegie Mellon y autor principal del trabajo de investigación presentado en la Conferencia Internacional sobre Aprendizaje Automático del verano pasado. «Y en términos de investigación, creo que es un problema fundamental genial para estudiar».

Digamos que tienes un brazo robótico con una mano humana. Le enseñaste a sus cinco dedos a levantar un martillo y clavar una clavija en una tabla. Ahora quiere una pinza de dos dedos para hacer el mismo trabajo. Entre los dos, los científicos han creado una especie de puente hecho de robots simulados que cambia lentamente de la forma original a la nueva forma. Cada robot intermedio realiza la tarea especificada, ajustando una red neuronal artificial hasta que alcanza un umbral de tasa de éxito antes de que el código de control pase al siguiente robot de la cadena.

Para alternar entre los robots virtuales de origen y de destino, el equipo creó un «árbol cinemático» común: una serie de nodos que representan extremidades conectadas por enlaces que representan articulaciones. Para llevar las habilidades de martilleo a la pinza de dos dedos, el equipo se concentró en el tamaño y el peso de los nodos de tres de los dedos. Con cada robot intermedio, el tamaño y el peso de los dedos se redujeron un poco, y la red que los controla tuvo que aprender a adaptarse. Los investigadores también optimizaron su método de entrenamiento para que los saltos entre los robots no fueran ni demasiado grandes ni demasiado pequeños.

Apodado REvolveR (por Robot-Evolve-Robot), el sistema Carnegie Mellon superó los métodos básicos de entrenamiento como enseñar al robot objetivo desde cero. Para lograr una tasa de éxito del 90 por ciento en la tarea de garfio, martillo y otros experimentos que involucran mover una pelota y abrir una puerta, el Mejor método de entrenamiento alternativo requirió de un 29 por ciento a un 108 por ciento más de intentos que REvolveR, aunque el método alternativo utiliza un entrenamiento más informativo. retroalimentación. En otros experimentos, los investigadores probaron su proceso en otros tipos de robots virtuales, como agregar nuevas secciones de piernas a un robot con forma de araña y hacer que volviera a aprender a gatear.

«Creo que la idea es buena», dice Vitaly Kurin, científico informático de la Universidad de Oxford que estudia robótica y aprendizaje automático y no participó en el trabajo. Si bien organizar desafíos para que una IA pueda transferir habilidades entre tareas no es nuevo, dice, «esta interpolación de un robot a otro para la transferencia es algo en lo que no había pensado antes».

DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí