Skip to main content

Robots with animal-like resilience

Article Category

Article available in the folowing languages:

Robots más resistentes y adaptables gracias al modelo del mundo animal

Por mucho que nos vendan lo contrario en las películas de ciencia ficción, la realidad es que los robots actuales suelen distar mucho de ser resilientes. Un proyecto financiado por el Consejo Europeo de Investigación ha desarrollado algoritmos para lograr que los robots se puedan recuperar de daños imprevistos de manera autónoma y en unos pocos minutos.

Economía digital
Tecnologías industriales

Aunque el ser humano lleve ya cincuenta años de investigación en el campo de la robótica, los robots actuales siguen siendo mucho menos resilientes que el animal más pequeño o simple; es decir, los robots dejan de funcionar enseguida cuando encuentran condiciones difíciles o sufren alguna caída inesperada. Si queremos que estas máquinas estén más integradas en la sociedad humana y sean útiles en emergencias, no pueden ser tan frágiles. Ese es el campo de actuación del proyecto ResiBots (Robots with animal-like resilience). «El objetivo de nuestro proyecto era desarrollar nuevos algoritmos para lograr que los robots pudieran recuperarse rápidamente y de manera autónoma, de modo que no tuviesen que predecir toda situación peligrosa posible», comenta Jean-Baptiste Mouret, investigador principal del proyecto. «Esto es especialmente importante cuando se producen daños mecánicos difíciles de diagnosticar con los sensores incorporados. Nuestra filosofía consiste en lograr que los robots puedan "improvisar" cuando deben realizar una misión difícil».

Una nueva filosofía para lograr robots más resistentes

Este concepto es totalmente contrario al de la tendencia actual de tolerancia a los fallos, que proviene de sistemas en los que la seguridad era esencial, como los empleados en vehículos espaciales o centrales nucleares. Este es un enfoque inadecuado para robots autónomos de bajo coste, ya que se basa en procedimientos de diagnóstico con sensores propioceptivos muy caros que, además, tampoco pueden abarcar todas las situaciones con las que se puede encontrar un robot autónomo al trabajar solo. Sin embargo, los algoritmos desarrollados por Mouret y su equipo evitan este enfoque desfasado, ya que están diseñados específicamente para adaptar la eficiencia de datos (es decir, trabajar con muy pocos datos) a la robótica. Mouret explica: «Por ejemplo, con nuestros algoritmos, un robot de seis patas puede descubrir una nueva manera de caminar en menos de dos minutos. La idea general consiste en aprovechar una simulación del robot "intacto" para acelerar la adaptación para un robot con una avería desconocida».

Del diagnóstico a los algoritmos de refuerzo

Algo importante para el proyecto es que este primer resultado emplea el «aprendizaje episódico», lo que significa que cada prueba comienza exactamente en la misma posición. Un algoritmo más reciente permite que el robot aprenda de manera independiente, sin restablecer el sistema y teniendo en cuenta su entorno. «Por ejemplo, no tiene sentido que el robot intente un movimiento hacia delante si sabemos que hay un obstáculo en esa dirección», señala Mouret. Bajo su punto de vista, las máquinas —y especialmente los robots— creadas hasta ahora han sido siempre «ciegas» y tareas muy sencillas para un animal, como reconocer un objeto, han sido demasiado complicadas para los algoritmos de visión de los robots. Sin embargo, gracias a los avances recientes en aprendizaje profundo, las máquinas son ahora mucho más capaces de entender lo que hay a su alrededor, lo que abre la puerta a muchas posibles aplicaciones, tanto dentro como fuera del contexto industrial. Mouret advierte: «Sin embargo, si queremos que los robots sean verdaderamente capaces de adquirir nuevas habilidades o aprender a realizar nuevas tareas, necesitarán algoritmos de refuerzo y no solo de percepción. Para lograrlo, deben hacer un uso más eficiente de los datos antes de poder usarlos en situaciones reales alejadas de los laboratorios de desarrollo». Mouret no ve posible el despliegue de los robots capaces de aprender nuevas tareas de manera independiente durante los próximos cinco años, pero confía en que sí suceda en menos de quince años.

De cara al futuro

El proyecto ResiBots ha marcado el camino a seguir para lograr este objetivo y Mouret y su equipo planean seguir con su investigación incluso más allá de abril de 2020, la fecha oficial de finalización del proyecto. «Queremos introducir el aprendizaje por prueba y error en la robótica humanoide; este tipo de robótica supone una nueva frontera porque combina al mismo tiempo todos los desafíos de esta disciplina», afirma Mouret. Uno de estos desafíos es la sincronización de un gran número de articulaciones (normalmente son veinticuatro) y el hecho de que deban reaccionar rápidamente para mantener el equilibrio. Actualmente no hay ningún robot humanoide capaz de usar el aprendizaje por prueba y error para adaptarse a los cambios en su entorno, pero Mouret y su equipo quieren liderar un cambio en este sentido. Le preguntamos cuál ha sido su mayor satisfacción en ResiBots: «Ahora es habitual ver a robots aprender a caminar en cuestión de minutos, algo que antes podía tardar horas o incluso días. Tengo que decir que estos son los robots con los que yo soñaba cuando era niño», concluye Mouret.

Palabras clave

ResiBots, robots, algoritmos, aprendizaje episódico, eficiencia de datos

Descubra otros artículos del mismo campo de aplicación