Nuevo algoritmo permite robots suaves auto-sensores para tareas fiables

Hay algunas tareas que los robots tradicionales —el tipo rígido y metálico— no pueden realizar. Los robots de cuerpo suave pueden interactuar con personas de forma más segura o deslizarse en espacios reducidos con facilidad. Pero para que los robots completen de forma fiable sus tareas programadas, necesitan saber la ubicación de todas sus partes corporales. Eso es una tarea difícil para un robot suave que puede deformarse de infinitas maneras.

Investigadores han desarrollado un algoritmo para ayudar a los ingenieros a diseñar robots suaves que recopilen información más útil sobre su entorno. El algoritmo de aprendizaje profundo sugiere una colocación optimizada de sensores dentro del cuerpo del robot, permitiéndole interactuar mejor con su entorno y completar las tareas asignadas. El avance es un paso hacia la automatización del diseño de robots. El sistema no solo aprende una tarea dada, sino también cómo diseñar mejor el robot para resolver esa tarea.

Crear robots suaves que completen tareas del mundo real ha sido un desafío en robótica. Los robots rígidos tienen una ventaja incorporada: un rango de movimiento limitado. El conjunto finito de articulaciones y extremidades de los robots rígidos suele hacer que los cálculos sean manejables para los algoritmos que controlan el mapeo y la planificación de movimiento. Los robots suaves no son tan tratables.

Los robots de cuerpo suave son flexibles y flexibles —generalmente se sienten más como una pelota rebotadora que como una bola de bolos. Cualquier punto en un robot de cuerpo suave puede, en teoría, deformarse de cualquier manera posible. Eso dificulta diseñar un robot suave que pueda mapear la ubicación de sus partes corporales. Esfuerzos previos usaron una cámara externa para trazar la posición del robot y retroalimentar esa información al programa de control del robot. Pero los investigadores querían crear un robot suave sin ayuda externa.

Desarrollaron una arquitectura novedosa de red neuronal que optimiza la colocación de sensores y aprende a completar tareas eficientemente. Primero, dividieron el cuerpo del robot en regiones llamadas «partículas». La tasa de deformación de cada partícula se proporcionó como entrada a la red neuronal. A través de un proceso de prueba y error, la red «aprende» la secuencia de movimientos más eficiente para completar tareas, como agarrar objetos de diferentes tamaños. Al mismo tiempo, la red rastrea qué partículas se usan con más frecuencia y elimina las partículas menos usadas del conjunto de entradas para los ensayos posteriores de la red.

Al optimizar las partículas más importantes, la red también sugiere dónde deben colocarse los sensores en el robot para garantizar un rendimiento eficiente. En un robot simulado con una mano que agarra, el algoritmo podría sugerir que los sensores se concentren en y alrededor de los dedos, donde las interacciones precisamente controladas con el entorno son vitales para la capacidad del robot de manipular objetos. Aunque eso parezca obvio, resulta que el algoritmo supera ampliamente la intuición humana sobre dónde ubicar los sensores.

El trabajo podría ayudar a automatizar el proceso de diseño de robots. Además de desarrollar algoritmos para controlar los movimientos de un robot, los diseñadores deben pensar en cómo colocar sensores en los robots y cómo eso interactuará con otros componentes de ese sistema. Una mejor colocación de sensores podría tener aplicaciones industriales, especialmente donde los robots se usan para tareas finas como agarrar.