Desde hace tiempo que hay un interés creciente en los robots humanoides, sobre todo en cuando al diseño. Pero uno de las conceptos que quizás requiere una mayor necesidad de profundizar por parte de los investigadores y desarrolladores es el de los «humanoides de propósito general«. Tras décadas centrándose en sistemas de un único propósito, ahora nos damos cuenta que aún estamos lejos de sistemas más versátiles.
Capacitación de robots humanoides
La capacitación es uno de los principales retos en el desarrollo de inteligencia robótica capaz de aprovechar completamente las capacidades de movimiento de un diseño humanoide bípedo. Aunque están bien establecidas las mejores prácticas para capacitar a los humanos en diversas tareas, en robótica los métodos varían y no han convergido en un único enfoque. Entre los métodos más prometedores se encuentran el aprendizaje por refuerzo y el aprendizaje por imitación. Y es probable que en el futuro se combinen ambos métodos con los modelos generativos de inteligencia artificial (IA).
Más recientemente, el MIT ha desarrollado un método llamado composición de políticas (PoCo), que utiliza pequeños conjuntos de datos concretos para cada tarea. Este método permite que un robot realice acciones útiles como clavar un tornillo o girar objetos con una espátula.
Composición de políticas (PoCo)
Estos investigadores entrenan un modelo de difusión separado para aprender una estrategia o política para completar una tarea utilizando un conjunto de datos específico. Después, combinan las políticas aprendidas por los modelos de difusión en una política general que permite al robot ejecutar múltiples tareas en diferentes entornos.
Según las investigaciones, la incorporación de modelos de difusión ha mejorado el rendimiento de las tareas en un 20%, permitiendo a los robots humanoides manejar tareas que requieren múltiples herramientas y adaptarse a tareas completamente desconocidas. Dicho de otro modo, para completar una tarea desconocida, el sistema puede combinar información de diferentes conjuntos de datos en una secuencia de acciones.
Por ejemplo, una política formada con datos del mundo real puede ofrecer mayor destreza, mientras que una política formada con simulaciones puede proporcionar una mayor generalización. El objetivo de este trabajo es desarrollar sistemas de inteligencia que permitan a los robots humanoides intercambiar herramientas y realizar varias tareas, acercando a la industria hacia el uso general de robots multipropósito.
Artículo de interés: El plan de la UE para hacer avanzar los robots y la IA en 2025
Aplicaciones como la conducción autónoma
Esto lo podríamos ver en la conducción autónoma con los robots humanoides de uso general, ya que pueden ocurrir infinidad de situaciones diferentes y que el robot debería de poderla ejecutar.
Recientemente, investigadores de la Universidad de Tokio han desarrollado un robot llamado Musashi, un «humanoide musculoesquelético«, capaz de conducir un pequeño coche eléctrico en una pista de pruebas. Musashi está equipado con dos cámaras que actúan como ojos, permitiéndole ver la carretera y las vistas reflejadas en los espejos laterales del coche. Con sus manos mecánicas, puede girar la llave del coche, accionar el freno de mano y encender los intermitentes. Además, con sus pies antideslizantes, puede presionar los pedales del acelerador y del freno.
Después de alimentar a Musashi con datos brutos de sensores, los investigadores lograron que el robot girara en una esquina de una intersección respetando las señales del semáforo. Sin embargo, para girar sólo levantó despacio su pie del pedal del freno, en lugar de pisar el acelerador, lo que hizo que el giro durara unos dos minutos. En otro experimento, Musashi usó el acelerador, pero tuvo dificultades para mantener una velocidad constante debido a la pendiente de la carretera.
Como puedes ver, todavía queda mucho trabajo por hacer para que los robots humanoides sean de uso general y capaces de ejecutar tareas completamente desconocidas y que surgen en el uso real. Quizás en unas décadas, Musashi o robots similares puedan estar al volante de taxis en Madrid, pero por el momento queda esperar cómo avanza estos métodos de aprendizaje.