Brazo robótico domina Jenga con visión e IA táctil

Investigadores desarrollan un brazo robótico que usa tacto y visión para aprender Jenga.

El método de machine learning podría ayudar a robots a ensamblar productos de consumo y realizar tareas que requieren interacción física cuidadosa.

Robot que juega Jenga

Jenga es un juego complejo que requiere coordinación precisa mano-ojo y estrategia. Los humanos integramos perfectamente vista y tacto para dominarlo. Los robots, en cambio, no poseen aún esta sofisticación.

La mayoría de sistemas de aprendizaje robótico usan solo datos visuales, sin sentido del tacto, limitando su capacidad para aprender del mundo externo. Algoritmos basados en refuerzo sin modelo tienen poca o nula capacidad para explotar conocimiento sobre objetos físicos, contactos o fuerzas.

Recientemente, investigadores del MCube Lab del MIT desarrollaron un algoritmo para replicar esta habilidad usando un robot. A diferencia de técnicas convencionales que usan datasets masivos para evaluar su próximo mejor movimiento, este robot aprende y explota un modelo jerárquico que permite extracción suave y precisa de piezas.

Robot que juega Jenga

El robot tiene cámara RGB externa, pinza de cerdas suaves y muñeca con sensor de fuerza. Todos estos componentes permiten al robot observar y sentir la torre Jenga y sus bloques individuales.

Personalizaron un brazo industrial ABB IRB 120 y colocaron una torre Jenga a su alcance. Mientras el brazo empuja suavemente un bloque, una computadora captura retroalimentación táctil y visual de su muñeca y cámara, y compara estas mediciones con movimientos previos del robot.

Referencia: ScienceRobotics | doi:10.1126/scirobotics.aav3123 | MIT

Este modelo permite al robot estimar con precisión el estado de una pieza, simular próximos movimientos posibles y decidir uno favorable. En tiempo real, la máquina aprende si seguir empujando el bloque o pasar a otro nuevo para evitar que la estructura colapse.

Es más desafiante que desarrollar IA para ajedrez o Go, ya que Jenga requiere habilidades físicas básicas: tirar, empujar, colocar y alinear bloques individuales.

El robot desarrollado identifica eficientemente cuándo un bloque se siente atascado o libre y decide cómo extraerlo usando muchos menos datos. Entrenado en casi 300 intentos (en lugar de decenas de miles). Intentos de resultados y mediciones similares se agrupan en clusters y cada cluster representa comportamientos específicos de bloques.

Para cada cluster de datos, la máquina desarrolló un modelo para estimar comportamiento de un bloque dadas sus mediciones táctiles y visuales actuales. Esta estrategia de clustering —inspirada en cómo aprenden los humanos naturalmente— aumenta significativamente la eficiencia con que el robot aprende a jugar.

Aplicaciones

Este método es un ejemplo exitoso de IA entrando en el mundo físico. Mientras el robot interactúa con su entorno, aprende habilidades básicas que definen la manipulación humana.

Leer: Dactyl: mano robótica humana que usa IA para lograr destreza sin precedentes

Este sistema de aprendizaje táctil puede aplicarse a tareas más allá de Jenga, especialmente las que requieren interacción física cuidadosa. Por ejemplo, ensamblar productos de consumo y separar materiales reciclables de basura.

En línea de ensamblaje de smartphones y laptops, la mayoría de pasos requieren acciones de tacto y fuerza más que solo visión, y esta tecnología podría mejorar drásticamente tales líneas.