TossingBot:un brazo robótico que puede lanzar 500 objetos por hora en ubicaciones de destino

• El nuevo robot aprende a recoger y lanzar objetos arbitrarios a ubicaciones específicas.
• Utiliza tanto el aprendizaje profundo como la física de proyectiles para lanzar objetos con precisión y rapidez en entornos no estructurados.
• Dentro de las 14 horas de entrenamiento, logró una precisión de lanzamiento del 85%, con un 87% de confiabilidad en el agarre en el desorden.

En la última década, se ha logrado un progreso significativo en hacer que los robots sean más inteligentes para realizar tareas específicas de manera más eficiente y aprender de las experiencias del mundo real. Sin embargo, cuando se trata de las habilidades básicas, como atrapar, columpiarse, girar y lanzar, los robots todavía se quedan muy atrás que los humanos.

Ahora, investigadores de Google, MIT, la Universidad de Princeton y la Universidad de Columbia han desarrollado un nuevo brazo robótico que puede aprender a recoger y lanzar objetos arbitrarios en ubicaciones específicas. Utiliza métodos tanto físicos como de aprendizaje profundo para lanzar objetos aleatorios de forma precisa y rápida en entornos no estructurados.

Han llamado a este robot TossingBot. Puede alcanzar una velocidad de recolección hasta dos veces más rápida que los robots anteriores, con el doble del rango de colocación efectivo.

Desafíos involucrados

Lanzar algo no es una tarea fácil para los robots. Hay numerosos factores involucrados, desde cómo se recogen objetos de diferentes formas hasta propiedades físicas de objetos como masa, aerodinámica y fricción.

Por ejemplo, si recoges un objeto largo y pesado de su borde y lo arrojas, aterrizará más lejos que si lo hubieras recogido del centro. Sin embargo, si elige un objeto ligero como una pelota de ping pong, necesitaría una gran fuerza (debido a la resistencia del aire) para lanzarlo a la misma distancia.

Desarrollar manualmente una técnica que controle explícitamente todos estos parámetros para cada objeto arbitrario es casi imposible. La aplicación de la técnica de prueba y error tampoco es una buena idea, ya que es costosa y requiere mucho tiempo.

Combinando aprendizaje profundo y física

Si bien el aprendizaje profundo puede ayudar al robot a aprender de la experiencia en lugar de depender de mecanismos caso por caso, lanzar objetos con precisión a su posición objetivo requiere una buena comprensión de la física de proyectiles.

Referencia:arXiv:1903.11239 | Blog de IA de Google

Al integrar estas dos funciones, los ingenieros permitieron que TossingBot se entrenara rápidamente y se generalizara a nuevos escenarios. Usando algunas leyes fundamentales de la física de proyectiles, el robot desarrolla controladores iniciales, por ejemplo, calcula cuánta velocidad de lanzamiento se requiere para lanzar un objeto específico a una posición objetivo.

Luego, las redes neuronales predicen ajustes además de esos cálculos físicos, para compensar factores externos como la variabilidad y el ruido en el mundo real. Además del entrenamiento, el brazo robótico se basa en la GPU NVIDIA Titan para reconstruir escenas (capturadas con cámaras de profundidad RGB) en 3D en tiempo real y agregar datos 3D a medida que el brazo se mueve.

Dentro de las 14 horas de entrenamiento, TossingBot logró una precisión de lanzamiento del 85%, con un 87% de confiabilidad en el agarre en el desorden. Pudo recoger y arrojar más de 500 objetos arbitrarios en las cajas colocadas fuera de su rango de alcance máximo.

¿Qué sigue?

Aunque los resultados parecen bastante impresionantes, el robot tiene sus defectos. Por ejemplo, supone que los objetos son lo suficientemente fuertes como para resistir las colisiones de aterrizaje. Además, evalúa las variables de control solo a partir de información visual.

Leer:El nuevo sistema de inteligencia artificial enseña a los robots a aprender directamente de los humanos

En el próximo estudio, los investigadores entrenarán su sistema para atrapar objetos de manera que amortigüen el aterrizaje. También planean explorar modalidades de detección adicionales (como táctil y fuerza-torsión) que pueden permitir que el brazo robótico adapte mejor sus velocidades de lanzamiento.