Las tareas domésticas, una de las actividades más tediosas y que consumen más tiempo, se encuentran en la cima de muchas listas de deseos de automatización. En este contexto, los avances en robótica apuntan a desarrollar una combinación eficaz de hardware y software que permita a las máquinas aprender políticas “generalistas” que funcionen en cualquier entorno. Sin embargo, la realidad es que, si tienes un robot en casa, lo más importante es que funcione bien en tu propio entorno.
Con esto en mente, investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT han desarrollado un método innovador para entrenar políticas robustas en entornos específicos. Según Marcel Torne Villasevil, asistente de investigación en MIT CSAIL, su objetivo es que los robots sean excepcionales en condiciones de perturbaciones, distracciones, iluminación variable y cambios en la posición de los objetos, todo dentro de un mismo entorno.
La Simulación y los Gemelos Digitales
El enfoque de estos investigadores se basa en la creación de gemelos digitales mediante avances en visión artificial. Con solo un teléfono, cualquier persona puede capturar una réplica digital del entorno real, permitiendo que los robots se entrenen en una simulación mucho más rápido gracias a la paralelización de GPU. Este método elimina la necesidad de una extensa ingeniería de recompensas, utilizando demostraciones del mundo real para iniciar el proceso de entrenamiento.
RialTo: Un Puente entre Simulación y Realidad
El proyecto, conocido como RialTo, comienza con la captura del entorno utilizando herramientas como NeRFStudio, ARCode o Polycam. Una vez reconstruida la escena, los usuarios pueden cargarla en la interfaz de RialTo para ajustes detallados y agregar las articulaciones necesarias a los robots. Posteriormente, la escena refinada se exporta al simulador, donde se desarrollan políticas basadas en acciones y observaciones del mundo real, replicando estas demostraciones en la simulación.
Las pruebas han demostrado que RialTo crea políticas sólidas para diversas tareas domésticas, superando en un 67% al aprendizaje por imitación con la misma cantidad de demostraciones. Las tareas incluyen desde abrir una tostadora hasta colocar un libro en un estante, y el sistema ha demostrado su eficacia tanto en entornos controlados como en situaciones más impredecibles.
Hacia el Futuro de la Robótica Doméstica
Pulkit Agrawal, director de Improbable AI Lab y coautor del estudio, destaca que la mejor manera de lograr robustez en un entorno particular es mediante el uso de gemelos digitales en lugar de una recopilación masiva de datos. No obstante, el proceso de entrenamiento actual de RialTo lleva alrededor de tres días, y el equipo está trabajando en mejorar los algoritmos subyacentes para acelerar este proceso.
El próximo objetivo es mejorar la adaptabilidad del modelo a nuevos entornos y minimizar la intervención humana, utilizando modelos previamente entrenados. “Nuestro concepto de programación de robots ‘sobre la marcha’ es emocionante. Aunque nuestro método actual requiere demostraciones iniciales y un tiempo significativo de computación, lo vemos como un avance importante hacia el aprendizaje y la implementación de robots ‘sobre la marcha’”, afirma Torne.
Conclusión
El enfoque de RialTo ofrece una solución innovadora para el entrenamiento de robots domésticos, permitiendo un aprendizaje eficiente y adaptabilidad a escenarios complejos del mundo real. Este avance representa un paso significativo hacia un futuro donde los robots no necesitarán políticas preexistentes para cada escenario, sino que podrán aprender rápidamente nuevas tareas sin una amplia interacción en el mundo real.
Este trabajo ha sido financiado por el Sony Research Award, el gobierno de los EE. UU. y Hyundai Motor Co., y fue presentado en la conferencia Robotics Science and Systems (RSS).
