Los niños pequeños humanos están inspirando nuevos enfoques para el aprendizaje de robots

Es un momento emocionante para el aprendizaje robótico. Las organizaciones han pasado décadas construyendo conjuntos de datos complejos y siendo pioneras en diferentes formas de enseñar a los sistemas a realizar nuevas tareas. Parece que estamos en la cúspide de algunos avances reales cuando se trata de implementar tecnología que pueda adaptarse y aprender sobre la marcha.

El año pasado, vimos una gran cantidad de estudios fascinantes. Tomemos como ejemplo el VRB (Vision-Robotics Bridge), que la Universidad Carnegie Mellon presentó en junio. El sistema es capaz de aplicar lo aprendido de los vídeos de YouTube a diferentes entornos, por lo que un programador no tiene que tener en cuenta todas las variaciones posibles.

El mes pasado, el equipo de robótica DeepMind de Google mostró su impresionante trabajo, en forma de RT-2 (Robotic Transformer 2). El sistema es capaz de abstraer los detalles de la realización de una tarea. En el ejemplo dado, decirle a un robot que tire un trozo de basura no requiere que un programador le enseñe al robot a identificar trozos específicos de basura, recogerlos y tirarlos para realizar una tarea aparentemente simple (para los humanos, al menos) tarea.

¿Quieres recibir las principales noticias sobre robótica en tu bandeja de entrada cada semana? Regístrese en Actuator aquí.

Una investigación adicional destacada por CMU esta semana compara su trabajo con el aprendizaje humano en las primeras etapas. Específicamente, se compara al agente robótico de IA con un niño de tres años. En contexto, el nivel de aprendizaje se divide en dos categorías: aprendizaje activo y pasivo.

El aprendizaje pasivo en este caso consiste en enseñar a un sistema a realizar una tarea mostrándole vídeos o entrenándolo con los conjuntos de datos antes mencionados. El aprendizaje activo es exactamente lo que parece: salir y realizar una tarea y adaptarse hasta hacerlo bien.

RoboAgent, que es un esfuerzo conjunto entre CMU y Meta AI (sí, ese Meta), combina estos dos tipos de aprendizaje, como lo haría un humano. En este caso, eso significa observar las tareas que se realizan a través de Internet, junto con el aprendizaje activo mediante la teleoperación del robot de forma remota. Según el equipo, el sistema es capaz de tomar aprendizajes de un entorno y aplicarlos a otro, similar al sistema VRB mencionado anteriormente.

«Un agente capaz de este tipo de aprendizaje nos acerca a un robot general que puede completar una variedad de tareas en diversos entornos invisibles y evolucionar continuamente a medida que reúne más experiencias», dice Shubham Tulsiani del Instituto de Robótica de CMU. “RoboAgent puede entrenar rápidamente a un robot utilizando datos limitados en el dominio y al mismo tiempo depende principalmente de datos gratuitos disponibles en Internet para aprender una variedad de tareas. Esto podría hacer que los robots sean más útiles en entornos no estructurados como hogares, hospitales y otros espacios públicos”.

Uno de los aspectos más interesantes de todo esto es el hecho de que el conjunto de datos es de código abierto y accesible universalmente. También está diseñado para usarse con hardware robótico disponible en el mercado, lo que significa que tanto los investigadores como las empresas pueden utilizar y desarrollar un tesoro cada vez mayor de datos y habilidades de robots.

«Los RoboAgents son capaces de desarrollar habilidades mucho más complejas que las que otros han logrado», dice Abhinav Gupta del Instituto de Robótica. «Hemos demostrado una mayor diversidad de habilidades que cualquier cosa jamás lograda por un solo agente robótico del mundo real con eficiencia y una escala de generalización a escenarios invisibles que es única».

Todo esto es muy prometedor cuando se trata de construir e implementar sistemas robóticos multipropósito con miras a eventuales robots de uso general. El objetivo es crear tecnología que pueda ir más allá de las máquinas repetitivas en entornos altamente estructurados en los que tendemos a pensar cuando pensamos en robots industriales. Por supuesto, el uso y la ampliación en el mundo real son mucho más fáciles de decir que de hacer.

Estamos mucho más cerca del comienzo en lo que respecta a estos enfoques del aprendizaje robótico, pero estamos atravesando un período apasionante para los sistemas multipropósito emergentes.