Los seres humanos pueden coger un libro de un estante sin pensarlo demasiado.Pero es un proceso complejo para el cerebro que implica planificar y sortear obstáculos, como otros libros o chucherías.Los investigadores de robótica han luchado por replicar este tipo de movimiento humano cuando sus sistemas realizan tareas similares.Conocido como planificación de movimiento, el proceso de entrenar a un robot para llevar un objeto de un punto a otro sin chocar con ningún obstáculo requiere tiempo y recursos porque el robot no puede reaccionar dinámicamente como los humanos en entornos desconocidos.

Un equipo del Instituto de Robótica (RI) de la Universidad Carnegie Mellon ha desarrolladoPlanificación del movimiento neuronalpara ayudar a mejorar la forma en que los robots reaccionan en nuevos entornos.El enfoque basado en datos utiliza una red de inteligencia artificial única y versátil para realizar la planificación del movimiento en diversos entornos domésticos desconocidos, como gabinetes, lavavajillas y refrigeradores.

"A veces, cuando implementas un robot, quieres que opere en entornos no estructurados o desconocidos, entornos donde no puedes asumir que lo sabes todo", dijo Murtaza Dalal, estudiante de doctorado de RI."Ahí es donde estos métodos clásicos de planificación del movimiento fallan. Un gran problema es que estos algoritmos son muy lentos porque tienen que realizar miles, tal vez incluso millones, de comprobaciones de colisiones".

Neural Motion Planning se inspiró en cómo los humanos reúnen diversas experiencias para practicar y aumentar gradualmente su competencia.Al adquirir nuevas habilidades, los humanos comienzan con un comportamiento lento e inseguro y progresan hacia movimientos rápidos y dinámicos.La planificación del movimiento neuronal permite que los robots sean más versátiles en entornos desconocidos y, en general, se adapten al mover objetos.

Los investigadores simularon millones de entornos complejos para entrenar la planificación del movimiento neuronal.En estas simulaciones, los robots encontraron entornos domésticos (estanterías, cubículos, microondas, lavavajillas, cajas y armarios abiertos) y en ocasiones tuvieron que maniobrar alrededor de objetos aleatorios, como un cachorro o un jarrón.Los modelos fueron entrenados para realizar tareas reactivas y rápidas.movimientoplanificación.Este proceso y estos datos se refinaron en una política generalista, de modo que cuando el robot se implementara en el mundo real pudiera realizar tareas en entornos diferentes a los que había visto antes.

"Hemos visto éxitos sorprendentes en el aprendizaje a gran escala de la visión y el lenguaje (pensemos en ChatGPT), pero no en robótica. Todavía no", dijo Deepak Pathak, profesor asistente Raj Reddy en RI."Este trabajo es un trampolín hacia ese objetivo. Neural Motion Planning utiliza la receta simple de aprendizaje a escala en simulación para producir un alto grado de generalización en el mundo real. Funciona en escenas con diferentes fondos, objetos, obstáculos e incluso escenas enteras.arreglos escénicos."

Cuando se utilizó en un brazo robótico en el laboratorio, Neural Motion Planning navegó con éxito en entornos desconocidos.Al sistema robótico se le dio una representación tridimensional del punto de partida en la escena, que se creó usando cámaras de profundidad, y se le presentó una posición objetivo, donde los investigadores querían que terminara el brazo robótico.Luego, Neural Motion Planning proporcionó las configuraciones conjuntas para elbrazo robóticopara pasar del punto inicial al punto final."Fue emocionante ver cómo un solo modelo evitaba hábilmente diversos obstáculos domésticos, como lámparas, plantas, estanterías y puertas de gabinetes, mientras movía el brazo robótico para completar las tareas", dijo Jiahui Yang, estudiante de maestría de RI.

"Esta hazaña fue posible gracias a la ampliación masiva de la generación de datos, siguiendo una receta similar al éxito del aprendizaje automático en visión y lenguaje".