Aprendizaje automático para la próxima generación de robots de campo
Junto a la robótica industrial, que sigue avanzando a buen ritmo, crece el interés por los «robots de campo» para profesiones que dependen de operaciones manuales repetitivas, peligrosas o lejanas. Por ejemplo, los robots mineros pueden cartografiar pasos inundados y analizar concentraciones de minerales, mientras que los robots agrícolas pueden recoger fruta y ordeñar vacas. Sin embargo, para que su adopción sea más generalizada, habrá que reducir los costes de fabricación y funcionamiento de los robots de campo y ampliar sus capacidades, principalmente en los ámbitos de la detección, la percepción y el control. «Los robots industriales funcionan en entornos más estructurados, como las fábricas, por lo que son más fáciles de diseñar y operar. Los robots de campo tienen que adaptarse a una mayor imprevisibilidad para cumplir sus tareas», afirma Hugo Silva, coordinador del proyecto DEEPFIELD, financiado con fondos europeos. «Si bien las estrategias de aprendizaje profundo basadas en datos podrían ayudar a lograrlo, todavía hay limitaciones en la forma en que estas técnicas se aplican en las actividades robóticas del mundo real». El equipo de DEEPFIELD permitió a los investigadores noveles del Centro INESC TEC de Robótica y Sistemas Autónomos, entidad anfitriona del proyecto, explorar una serie de técnicas de aprendizaje profundo a fin de dotar a los robots de campo de la autonomía y adaptabilidad necesarias para operar con éxito en entornos difíciles. Entre los éxitos destacables, los investigadores demostraron cómo los métodos de aprendizaje profundo podían ayudar a detectar residuos marinos desde el espacio utilizando sistemas de imágenes hiperespectrales y tecnologías de imágenes para que los robots pudieran establecer su posición y orientación mientras estaban bajo el agua.
Encontrar el mejor algoritmo de aprendizaje profundo para la tarea en cuestión
A fin de apoyar las ambiciones de la Unión Europea para «El futuro digital de Europa», el proyecto DEEPFIELD se diseñó para ofrecer a sus investigadores noveles una variada exposición práctica a las técnicas robóticas de aprendizaje profundo. Centrándose en un problema robótico concreto donde el aprendizaje profundo podría ser de ayuda, los investigadores recopilaron primero datos directos o utilizaron un entorno de simulación y, tras el análisis de los datos, experimentaron con varias soluciones algorítmicas, antes de evaluar el resultado. «El abanico de métodos de aprendizaje profundo y tareas a realizar era lo suficientemente amplio como para darnos una base sólida en una variedad de soluciones destinadas a construir robots adaptables de próxima generación», explica Silva. En todo momento, los investigadores trabajaron con muchos tipos de robots: coches autónomos terrestres, vehículos aéreos no tripulado, vehículos submarinos operados de forma remota (ROV) y vehículos submarinos autónomos (VSA). Los investigadores visitaron las instalaciones de los miembros del consorcio: Universidad de Girona (España), Universidad Heriot Watt (Escocia), Instituto Max Planck (Alemania) y Politécnico de Milán (Italia), donde cada uno organizó talleres temáticos, escuelas de verano, misiones científicas breves y tutorías. «Después de dedicar tiempo a aprender los conceptos básicos y trabajar con expertos en el ámbito específico dentro de las instalaciones de un socio, probamos “software” o algoritmos utilizando robots reales en las escuelas de verano», explica Ana Paula Lima, directora del proyecto. Por ejemplo, la Universidad de Girona se centró en la manipulación submarina, con los investigadores aprendiendo sobre la codificación relevante para el simulador Stonefish, que luego utilizaron para realizar maniobras de inspección utilizando ROV y VSA.
A la vanguardia de la próxima generación de robots de campo
El proyecto también brindó a los investigadores noveles amplias oportunidades de establecer redes para su propio desarrollo profesional y para ampliar el intercambio de conocimientos de INESC TEC con agentes clave del sector. El equipo tuvo así la oportunidad de presentar su trabajo. Por ejemplo, en una visita a la estación de investigación NY-Alesund del círculo polar ártico, en Svalbard, se probaron dos robots del INESC TEC, demostrando las capacidades del equipo. «La respuesta fue tan alentadora que unas semanas más tarde INESC TEC presentó una propuesta a la Comisión Europea, que incluía los nuevos contactos realizados durante esa visita», señala Lima. Contar con un equipo joven más cualificado y motivado ha supuesto una gran ayuda para el INESC TEC en su búsqueda de proyectos adicionales en ámbitos que van desde la defensa y la seguridad hasta el medio ambiente y los recursos energéticos en alta mar, donde los investigadores están ahora preparados para aplicar sus conocimientos recién adquiridos.
Palabras clave
DEEPFIELD, algoritmo, aprendizaje automático, robots, aprendizaje profundo, autonomía, datos, submarino, residuos
