Para que los robots domésticos lleguen a ser prácticos, tendrán que poder reconocer los objetos que se supone que deben manipular. Pero, aunque el reconocimiento de objetos es uno de los temas más ampliamente estudiadosen inteligencia artificial, incluso los mejores detectores de objetos siguen fallando gran parte del tiempo.
Los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT creen que los robots domésticos deberían aprovechar su movilidad y sus entornos relativamente estáticos para facilitar el reconocimiento de objetos, captando imágenes de estos desde múltiples perspectivas antes de determinar su identidad. Sin embargo, emparejar los objetos representados en las distintas imágenes plantea sus propios retos computacionales.
En un artículo que aparecerá en un próximo número de la revista International Journal of Robotics Research, los investigadores del MIT muestran que un sistema que utiliza un algoritmo comercial para agregar distintas perspectivas puede reconocer cuatro veces más objetos que uno que usa una sola perspectiva, y al mismo tiempo reducir el número de identificaciones erróneas.
A continuación, presentan un nuevo algoritmo que es igual de preciso, pero que en algunos casos es 10 veces más rápido, lo que lo hace mucho más práctico para su implementación en tiempo real con robots domésticos.
«Si simplemente se toma el resultado de observarlo desde un único punto de vista, pueden faltar muchas cosas, o el ángulo de iluminación u otro elemento que bloquee el objeto puede provocar un error sistemático en el detector», afirma Lawson Wong, estudiante de posgrado de ingeniería eléctrica e informática y autor principal del nuevo artículo. «Una forma de solucionarlo es simplemente moverse y buscar otro punto de vista».
Primer intento
Wong y sus directores de tesis —Leslie Kaelbling, profesora Panasonic de Ciencias de la Computación e Ingeniería, y Tomás Lozano-Pérez, profesor de Excelencia Docente de la Escuela de Ingeniería— consideraron situaciones en las que disponían de entre 20 y 30 imágenes distintas de objetos domésticos agrupados sobre una mesa. En varias de las situaciones, los grupos incluían varios ejemplares del mismo objeto, muy juntos, lo que dificulta la tarea de emparejar distintas perspectivas.
El primer algoritmo que probaron se había desarrollado para sistemas de seguimiento, como el radar, que también deben determinar si los objetos captados en imágenes en distintos momentos son, de hecho, los mismos. «Existe desde hace décadas», afirma Wong. «Y hay una buena razón: funciona muy bien. Es lo primero que se le ocurre a la mayoría de la gente».
Para cada par de imágenes sucesivas, el algoritmo genera varias hipótesis sobre qué objetos de una imagen corresponden a cuáles de la otra. El problema es que el número de hipótesis se multiplica a medida que se agregan nuevas perspectivas. Para mantener el cálculo manejable, el algoritmo descarta todas las hipótesis salvo las principales en cada paso. Aun así, revisar todas las hipótesis una vez generada la última lleva mucho tiempo.
Muestreo representativo
Con la esperanza de obtener un algoritmo más eficiente, los investigadores del MIT adoptaron otro enfoque. Su algoritmo no descarta ninguna de las hipótesis que genera entre imágenes sucesivas, pero tampoco intenta examinarlas todas. En cambio, toma muestras de ellas al azar. Como existe un solapamiento considerable entre las distintas hipótesis, un número suficiente de muestras suele permitir alcanzar un consenso sobre las correspondencias entre los objetos de dos imágenes sucesivas cualesquiera.
Para mantener bajo el número de muestras necesarias, los investigadores adoptaron una técnica simplificada para evaluar las hipótesis. Supongamos que el algoritmo ha identificado tres objetos desde una perspectiva y cuatro desde otra. La forma matemáticamente más precisa de comparar las hipótesis sería considerar todos los conjuntos posibles de correspondencias entre los dos grupos de objetos: el conjunto que empareja los objetos 1, 2 y 3 de la primera vista con los objetos 1, 2 y 3 de la segunda; el conjunto que empareja los objetos 1, 2 y 3 de la primera con los objetos 1, 2 y 4 de la segunda; el conjunto que empareja los objetos 1, 2 y 3 de la primera vista con los objetos 1, 3 y 4 de la segunda, y así sucesivamente. En este caso, si se incluyen las posibilidades de que el detector haya cometido un error y de que algunos objetos estén ocluidos en ciertas vistas, ese enfoque produciría 304 conjuntos distintos de correspondencias.
En cambio, el algoritmo de los investigadores considera por separado cada objeto del primer grupo y evalúa la probabilidad de que corresponda a un objeto del segundo grupo. Así, el objeto 1 del primer grupo podría corresponder a los objetos 1, 2, 3 o 4 del segundo, y lo mismo podría ocurrir con el objeto 2, y así sucesivamente. De nuevo, al tener en cuenta las posibilidades de error y oclusión, este enfoque requiere solo 20 comparaciones.
Sin embargo, esto abre la puerta a resultados absurdos. El algoritmo podría concluir que la correspondencia más probable para el objeto 3 del segundo grupo es el objeto 3 del primero, y también podría concluir que la correspondencia más probable para el objeto 4 del segundo grupo es el objeto 3 del primero. Por eso, el algoritmo de los investigadores también busca esas correspondencias duplicadas y las vuelve a evaluar. Esto lleva más tiempo, pero ni de lejos tanto como considerar correspondencias agregadas. En este caso, el algoritmo realizaría 32 comparaciones: más de 20, pero bastante menos que 304.
Este artículo se publica en colaboración con MIT News. La publicación no implica que el Foro Económico Mundial respalde estas opiniones.
Mantente al día con Forum:Agenda: suscríbete a nuestro boletín semanal.
Autor: Larry Hardesty es colaborador invitado de MIT News.
Imagen: Un hombre coloca un ojo nuevo en un robot humanoide durante una sesión fotográfica en el Instituto de Ciencias de la Computación de la Universidad de Bonn, en Bonn, el 3 de julio de 2014. REUTERS/Ina Fassbender