Nuevo Método de Simulación Permite a Robots Detectar Propiedades de Objetos con Precisión

Instituto Tecnológico de Massachusetts, Cambridge, MA

Con un nuevo método de simulación, los robots pueden adivinar el peso, suavidad y otras propiedades físicas de un objeto simplemente recogiéndolo. (Imagen: MIT News/iStock)

Un humano limpiando basura en un ático a menudo puede adivinar el contenido de una caja simplemente recogiéndola y dándole un meneo, sin necesidad de ver qué hay dentro. Investigadores de MIT, Amazon Robotics y la Universidad de British Columbia han enseñado a los robots a hacer algo similar.

Técnica basada en propriocepción

Desarrollaron una técnica que permite a los robots usar solo sensores internos para aprender sobre el peso, suavidad o contenido de un objeto recogiéndolo y meciéndolo suavemente. Con su método, que no requiere herramientas de medición externas ni cámaras, el robot puede adivinar con precisión parámetros como la masa de un objeto en cuestión de segundos.

Esta técnica de bajo coste podría ser especialmente útil en aplicaciones donde las cámaras podrían ser menos efectivas, como clasificar objetos en un sótano oscuro o limpiar escombros dentro de un edificio que se derrumbó parcialmente tras un terremoto.

Simulación diferenciable y gemelos digitales

Clave en su enfoque es un proceso de simulación que incorpora modelos del robot y el objeto para identificar rápidamente características de ese objeto mientras el robot interactúa con él.

La técnica del equipo de investigación es tan buena adivinando la masa de un objeto como algunos métodos más complejos y costosos que incorporan visión por computadora. Además, su enfoque eficiente en datos es lo suficientemente robusto para manejar muchos tipos de escenarios no vistos.

"Esta idea es general, y creo que solo estamos arañando la superficie de lo que un robot puede aprender de esta manera. Mi sueño sería tener robots que salgan al mundo, toquen cosas y muevan cosas en sus entornos, y descubran las propiedades de todo con lo que interactúan por sí mismos", dijo Peter Yichen Chen, postdoc de MIT y autor principal de un artículo sobre esta técnica.

Propiocepción y codificadores de articulaciones

El método del equipo de investigación aprovecha la propiocepción, que es la capacidad de un humano o robot para percibir su movimiento o posición en el espacio. Por ejemplo, un humano que levanta una mancuerna en el gimnasio puede sentir el peso de esa mancuerna en su muñeca y bíceps, aunque la sostiene en su mano. De la misma manera, un robot puede "sentir" la pesadez de un objeto a través de las múltiples articulaciones en su brazo.

"Un humano no tiene mediciones superprecisas de los ángulos de articulación en nuestros dedos o la cantidad precisa de par que aplicamos a un objeto, pero un robot sí. Aprovechamos estas capacidades", dijo el co-autor Chao Liu, postdoc de MIT.

Mientras el robot levanta un objeto, el sistema de los investigadores recopila señales de los codificadores de articulaciones del robot, que son sensores que detectan la posición rotacional y velocidad de sus articulaciones durante el movimiento.

La mayoría de robots tienen codificadores de articulaciones dentro de los motores que impulsan sus partes móviles, añadió Liu. Esto hace su técnica más rentable que algunos enfoques porque no necesita componentes extra como sensores táctiles o sistemas de seguimiento visual.

Modelos de simulación y optimización

Para estimar propiedades de un objeto durante interacciones robot-objeto, su sistema se basa en dos modelos: uno que simula el robot y su movimiento y otro que simula la dinámica del objeto. "Tener un gemelo digital preciso del mundo real es realmente importante para el éxito de nuestro método", añadió Chen.

Su algoritmo "observa" al robot y objeto moverse durante una interacción física y usa datos de codificadores de articulaciones para trabajar hacia atrás e identificar las propiedades del objeto. Por ejemplo, un objeto más pesado se moverá más lento que uno ligero si el robot aplica la misma cantidad de fuerza.

Utilizan una técnica llamada simulación diferenciable, que permite al algoritmo predecir cómo pequeños cambios en propiedades de un objeto, como masa o suavidad, impactan la posición final de la articulación del robot. Los investigadores construyeron sus simulaciones usando la biblioteca Warp de NVIDIA, una herramienta de desarrollador open-source que soporta simulaciones diferenciables.

Una vez que la simulación diferenciable coincide con los movimientos reales del robot, el sistema ha identificado la propiedad correcta. El algoritmo puede hacer esto en cuestión de segundos y solo necesita ver una trayectoria real del robot en movimiento para realizar los cálculos.

"Técnicamente, mientras sepas el modelo del objeto y cómo el robot puede aplicar fuerza a ese objeto, deberías poder averiguar el parámetro que quieres identificar", dijo Liu. Los investigadores usaron su método para aprender la masa y suavidad de un objeto, pero su técnica también podría determinar propiedades como momento de inercia o viscosidad de un fluido dentro de un contenedor.

Además, como su algoritmo no necesita un conjunto de datos extenso para entrenamiento como algunos métodos que dependen de visión por computadora o sensores externos, no sería tan susceptible a fallos frente a entornos no vistos u objetos nuevos.

Futuro: fusión multimodal y robots blandos

En el futuro, los investigadores quieren probar combinar su método con visión por computadora para crear una técnica de sensado multimodal aún más potente.

"Este trabajo no intenta reemplazar la visión por computadora. Ambos métodos tienen sus pros y contras. Pero aquí hemos mostrado que sin cámara ya podemos averiguar algunas de estas propiedades", dijo Chen.

También quieren explorar aplicaciones con sistemas robóticos más complicados, como robots blandos, y objetos más complejos, incluyendo líquidos que se mueven o medios granulares como arena. A largo plazo, esperan aplicar esta técnica para mejorar el aprendizaje robótico, permitiendo a futuros robots desarrollar rápidamente nuevas habilidades de manipulación y adaptarse a cambios en sus entornos.

Para más información, contacte a Melanie Grados en This email address is being protected from spambots. You need JavaScript enabled to view it.; 617-253-1682.