Blog

May 12, 2024

Este entrenador de IA logró resultados sorprendentes con doble

Créditos: Yijiong Lin/Universidad de Bristol Al suscribirse, acepta nuestros Términos de uso y políticas. Puede cancelar la suscripción en cualquier momento. Científicos de la Universidad de Bristol han desarrollado un nuevo

Créditos: Yijiong Lin/Universidad de Bristol

Al suscribirte, aceptas nuestros Términos de uso y políticas. Puedes cancelar la suscripción en cualquier momento.

Científicos de la Universidad de Bristol han desarrollado un nuevo sistema que permite a los robots aprender tareas bimanuales con el tacto de un ayudante virtual. El sistema Bi-Touch podría tener aplicaciones en industrias como la recolección de frutas, el servicio doméstico y las extremidades artificiales.

La manipulación bimanual en robótica es un tipo de manipulación robótica que implica el uso de dos brazos o manos para realizar tareas que requieren precisión, coordinación y retroalimentación. La manipulación bimanual puede ayudar a manipular objetos grandes, difíciles de manejar o acoplados, como abrir un recipiente para condimentos o colocar una batería. Utilizando hardware de bajo costo y algoritmos de aprendizaje por imitación, la manipulación bimanual también se puede aprender a partir de demostraciones humanas.

El sistema Bi-Touch permite a los robots realizar tareas manuales interpretando comandos de un asistente digital. Los hallazgos recientes, divulgados en IEEE Robotics and Automation Letters, muestran un agente de IA que utiliza retroalimentación táctil y propioceptiva para controlar el comportamiento robótico. Este dominio permite una detección precisa, una interacción suave y una manipulación eficaz de los objetos.

El sistema robótico táctil de doble brazo fue diseñado utilizando los últimos avances en inteligencia artificial y detección táctil robótica. Los investigadores construyeron un mundo virtual con brazos robóticos, sensores táctiles y una función de recompensa para fomentar el aprendizaje.

Los investigadores utilizaron el aprendizaje por refuerzo profundo (Deep-RL), una técnica de vanguardia en el aprendizaje de robots, similar a entrenar a un perro con recompensas y castigos. Este sistema permite a los robots tomar decisiones, aprender de prueba y error y, con el tiempo, descubrir las formas más efectivas de realizar tareas.

¿Un logro notable? El robot puede levantar con seguridad objetos tan delicados como una sola patata Pringle.

En un comunicado de prensa, el autor principal, Yijiong Lin, de la Facultad de Ingeniería, explicó elocuentemente la potencia y eficiencia del sistema Bi-Touch. "Podemos entrenar fácilmente a agentes de IA en un mundo virtual en un par de horas para lograr tareas bimanuales adaptadas al tacto", afirmó Lin, y agregó que estos agentes entrenados virtualmente podrían aplicarse directamente al mundo real sin necesidad de capacitación adicional.

La manipulación bimanual es esencial para la destreza del robot a nivel humano. Sin embargo, esta área sigue estando poco explorada debido a la complejidad y disponibilidad de hardware adecuado. El sistema Bi-Touch trasciende estas barreras y presagia una nueva era en la tecnología robótica.

El coautor, el profesor Nathan Lepora, afirmó con orgullo: "Nuestro sistema Bi-Touch muestra un enfoque prometedor con software y hardware asequibles para aprender comportamientos bimanuales con tacto en simulación, que se puede aplicar directamente al mundo real".

La naturaleza de código abierto de la simulación robótica táctil de doble brazo desarrollada promete facilitar una mayor investigación y desarrollo en diversos campos.

El sistema Bi-Touch significa un paso monumental para cerrar la brecha entre el mundo virtual y las aplicaciones del mundo real. Su capacidad para aprender, adaptarse y manipular objetos con un toque suave presenta posibilidades ilimitadas, remodelando nuestra perspectiva sobre lo que los robots pueden lograr.

Con la llegada del sistema Bi-Touch, el horizonte de la innovación tecnológica se ha ampliado, prometiendo un futuro apasionante tanto para la industria como para la investigación.

El estudio fue publicado en IEEE Robotics and Automation Letters.

La manipulación bimanual con retroalimentación táctil será clave para la destreza del robot a nivel humano. Sin embargo, este tema se explora menos que las configuraciones de un solo brazo, en parte debido a la disponibilidad de hardware adecuado junto con la complejidad de diseñar controladores efectivos para tareas con espacios de estado-acción relativamente grandes. Aquí presentamos un sistema robótico táctil de doble brazo (Bi-Touch) basado en la configuración Tactile Gym 2.0 que integra dos brazos robóticos asequibles de nivel industrial con sensores táctiles de alta resolución y bajo costo (TacTips). Presentamos un conjunto de tareas de manipulación bimanual adaptadas a la retroalimentación táctil: bi-empuje, bi-reorientación y big-reunión. Para aprender políticas efectivas, introducimos funciones de recompensa apropiadas para estas tareas y proponemos un novedoso mecanismo de actualización de objetivos con aprendizaje por refuerzo profundo. También aplicamos estas políticas a entornos del mundo real con un enfoque táctil de simulación a real. Nuestro análisis destaca y aborda algunos desafíos encontrados durante la aplicación de simulación a real, por ejemplo, la política aprendida tendía a apretar un objeto en la tarea de bi-reorientación debido a la brecha de simulación a real. Finalmente, demostramos la generalización y robustez de este sistema experimentando con diferentes objetos invisibles con perturbaciones aplicadas en el mundo real.