Los investigadores manipulan objetos elastoplásticos en formas de destino en función de señales visuales. Crédito: MIT CSAIL
Los robots manipulan materiales blandos y deformables en diferentes formas a partir de entradas visuales en un nuevo sistema que algún día podría permitir mejores asistentes domésticos.
Muchos de nosotros sentimos una abrumadora sensación de alegría de nuestro niño interior cuando nos encontramos con una pila de la mezcla fluorescente y gomosa de agua, sal y harina que pone la plastilina en el mapa. (Aunque esto rara vez sucede en la edad adulta).
Mientras que modelar arcilla es divertido y fácil para los niños de 2 años, la baba sin forma es bastante difícil de manipular para los robots. Con objetos rígidos, las máquinas se han vuelto cada vez más confiables, pero el manejo de objetos blandos y deformables conlleva una larga lista de desafíos técnicos. Una de las claves de la dificultad es que, como ocurre con la mayoría de las estructuras flexibles, si mueve una parte, es probable que afecte todo lo demás.
Recientemente, científicos del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT y la Universidad de Stanford permitieron que los robots jugaran con el compuesto de modelado, pero no por nostalgia. Su nuevo sistema llamado «RoboCraft» aprende directamente las entradas visuales para permitir que un money robot con una pinza de dos dedos vea, simule y dé forma a objetos pastosos. Podía planificar de manera confiable el comportamiento de un robot para pellizcar y soltar plastilina para crear varias letras, incluidas algunas que nunca había visto. De hecho, con solo 10 minutos de datos, la pinza de dos dedos rivalizó con sus homólogos humanos que teleoperaron la máquina, con un rendimiento equivalente, y en ocasiones incluso mejor, en las tareas probadas.
«Modelar y manipular objetos con altos grados de libertad son capacidades esenciales para que los robots aprendan a realizar tareas complejas de interacción industrial y doméstica, como rellenar albóndigas, enrollar sushi y hacer cerámica», dice Yunzhu Li, estudiante de doctorado de CSAIL y autor de un nuevo artículo sobre RoboCraft. «Aunque ha habido avances recientes en la manipulación de ropa y cuerdas, hemos encontrado que los objetos con alta plasticidad, como la masa o la plastilina, a pesar de su ubicuidad en estos entornos domésticos e industriales, son un territorio muy poco explorado. Con RoboCraft , aprendemos patrones dinámicos directamente de datos sensoriales de alta dimensión, lo que nos brinda un camino prometedor basado en datos para realizar una planificación efectiva.
Cuando se trabaja con materiales lisos e indefinidos, se debe considerar la estructura completa antes de cualquier forma de modelado y planificación efectivos y eficientes. RoboCraft utiliza una red neuronal gráfica como modelo dinámico y transforma las imágenes en gráficos de partículas diminutas con algoritmos para proporcionar predicciones más precisas sobre el cambio de forma del material.
RoboCraft simplemente usa datos visuales en lugar de simuladores físicos complicados, que los investigadores suelen usar para modelar y comprender la dinámica y la fuerza que actúa sobre los objetos. Tres componentes trabajan juntos en el sistema para formar un material flexible en, digamos, una «R», por ejemplo.
La percepción, la primera parte del sistema, consiste en aprender a «ver». Utiliza cámaras para recopilar datos sin procesar de sensores visuales en el entorno, que luego se transforman en pequeñas nubes de partículas para representar formas. Estos datos de partículas son utilizados por una red neuronal basada en gráficos para aprender a «simular» la dinámica del objeto, o cómo se mueve. Armados con los datos de entrenamiento de muchos pellizcos, los algoritmos ayudan a planificar el comportamiento del robot para que aprenda a «dar forma» a una bola de masa. Aunque las letras son un poco descuidadas, son inequívocamente representativas.
Además de crear lindas formas, el equipo de investigación está (en realidad) trabajando en hacer bolas de masa y un relleno preparado. Eso es mucho pedir en este momento con solo una pinza de dos dedos. Un rodillo, una almohadilla y un molde serían herramientas adicionales requeridas por RoboCraft (al igual que un panadero necesita varias herramientas para trabajar de manera eficiente).
Otra área futura que los científicos prevén es usar RoboCraft para ayudar con las tareas y los quehaceres, lo que podría ser especialmente útil para las personas mayores o con movilidad limitada. Para hacer esto, dadas las muchas obstrucciones que podrían surgir, se requeriría una representación mucho más adaptativa de la pasta o elemento, así como una exploración de la clase de modelos que podrían ser adecuados para capturar los sistemas estructurales subyacentes.
«RoboCraft básicamente demuestra que este modelo predictivo se puede aprender de manera muy eficiente en términos de datos para planificar el movimiento. A largo plazo, imaginamos usar varias herramientas para manipular materiales», dice Li. Al hacer albóndigas o masa, una sola pinza no podría resolver el problema. Ayudar al modelo a comprender y realizar tareas de planificación a más largo plazo, como la forma en que se deformará la masa dada la herramienta, los movimientos y acciones actuales, es el siguiente paso para el trabajo futuro.
Li escribió el artículo junto con el estudiante graduado de Stanford, Haochen Shi; el becario postdoctoral de Stanford Huazhe Xu; Zhiao Huang, estudiante de doctorado en la Universidad de California, San Diego; y Jiajun Wu, profesor asistente en Stanford. Presentarán la investigación en la conferencia Robotics: Science and Systems en Nueva York. El trabajo cuenta con el apoyo parcial del Instituto Stanford para la IA centrada en el ser humano (HAI), el programa Samsung Global Research Outreach (GRO), el Instituto de investigación Toyota (TRI) y Amazon, Autodesk, Salesforce y Bosch.