Una técnica de aprendizaje profundo para mejorar cómo los robots agarran objetos.

22 de agosto de 2023 característica

Este artículo ha sido revisado de acuerdo con el proceso editorial y las políticas de Science X. Los editores han resaltado los siguientes atributos al garantizar la credibilidad del contenido:

• verificado por hechos
• preimpresión
• fuente confiable
• corrección de pruebas

por Ingrid Fadelli , Tech Xplore

La mayoría de los adultos humanos tienen la capacidad innata de recoger objetos en su entorno y sostenerlos de manera que facilite su uso. Por ejemplo, al agarrar un utensilio de cocina, normalmente lo agarrarían por el lado que no se colocará dentro de la olla o sartén.

Los robots, por otro lado, necesitan ser entrenados sobre cómo agarrar y sostener objetos de la mejor manera mientras completan diferentes tareas. Esto a menudo es un proceso complicado, dado que el robot también puede encontrarse con objetos que nunca antes ha encontrado.

El grupo de investigación de Sistemas Inteligentes Autónomos (AIS) de la Universidad de Bonn recientemente desarrolló un nuevo proceso de aprendizaje para mejorar la capacidad de un brazo robótico para manipular objetos de manera que favorezca su uso práctico. Su enfoque, presentado en un artículo publicado en el servidor de preimpresión arXiv, podría contribuir al desarrollo de asistentes robóticos que puedan realizar tareas manuales de manera más efectiva.

"Un objeto se agarra de manera funcional si se puede usar, por ejemplo: un dedo índice en el gatillo de un taladro", dijo Dmytro Pavlichenko, uno de los investigadores que llevó a cabo el estudio, a Tech Xplore. "Un agarre específico como este no siempre es alcanzable, lo que hace necesaria la manipulación. En este artículo, abordamos la manipulación hábil previa al agarre con una mano antropomórfica."

El artículo reciente de Pavlichenko y su coautor Sven Behnke se basa en los esfuerzos de investigación previos del grupo AIS, en particular en un artículo presentado en la Conferencia Internacional de Robots Humanoides IEEE-RAS 2019 en Toronto. Como parte de este estudio anterior, el equipo desarrolló un enfoque sofisticado para el reagarramiento robótico de objetos con dos brazos, que se basaba en múltiples componentes complejos diseñados manualmente.

"La motivación de nuestro nuevo artículo fue reemplazar esta tubería compleja con una red neural", explicó Pavlichenko. "Esto reduce la complejidad y elimina estrategias de manipulación codificadas, aumentando la flexibilidad del enfoque".

El enfoque simplificado de manipulación previa al agarre que los investigadores presentaron en su nuevo artículo se basa en el aprendizaje profundo por refuerzo, una técnica altamente eficaz y bien conocida para entrenar algoritmos de inteligencia artificial. Utilizando esta técnica, el equipo entrenó un modelo para manipular hábilmente objetos antes de agarrarlos, asegurándose de que el robot los sostenga de manera efectiva, tal como se solicita.

"Nuestro modelo aprende utilizando una función de recompensa densa de múltiples componentes, que incentiva acercar un objeto al agarre funcional objetivo dado mediante la interacción dedo-objeto", dijo Pavlichenko. "Combinado con una simulación basada en GPU llamada Isaac Gym, el aprendizaje se puede realizar rápidamente".

Hasta ahora, los investigadores evaluaron su enfoque en un entorno de simulación conocido como Isaac Gym y encontraron que logró resultados muy prometedores. En sus pruebas iniciales, su modelo permitió a los robots simulados aprender cómo mover objetos de formas distintas en sus manos, eventualmente descubriendo la mejor manera de manipularlos sin requerir demostraciones humanas.

Es importante destacar que el enfoque de aprendizaje propuesto por Pavlichenko y su equipo podría aplicarse fácilmente a una variedad de brazos y manos robóticas, al mismo tiempo que permite la manipulación de numerosos objetos con diferentes formas. En el futuro, podría implementarse y probarse en varios robots físicos.

"Demostramos que es posible aprender un comportamiento dinámico complejo similar al humano utilizando una sola computadora con varias horas de entrenamiento", dijo Pavlichenko. "Nuestros planes para investigaciones futuras incluyen llevar el modelo aprendido al mundo real, logrando un rendimiento similar en un robot real. Esto suele ser bastante desafiante, por lo que esperamos que sea necesario un paso adicional de aprendizaje, ahora en línea con el robot real, para cerrar la brecha entre la simulación y la realidad".

© 2023 Science X Network