Optimizar robots blandos para realizar tareas específicas es un enorme problema computacional, pero un nuevo modelo puede ayudar.
Investigadores del MIT han ideado una forma de optimizar eficientemente el control y el diseño de robots blandos para tareas concretas, algo que tradicionalmente ha supuesto una tarea monumental en términos de cómputo.
Los robots blandos tienen cuerpos elásticos, flexibles y extensibles que pueden moverse, en esencia, de un número infinito de formas en cualquier momento dado. Desde el punto de vista computacional, esto representa una «representación de estado» muy compleja, que describe cómo se mueve cada parte del robot. Las representaciones de estado de los robots blandos pueden tener potencialmente millones de dimensiones, lo que dificulta calcular la forma óptima de lograr que un robot complete tareas complejas.
En la próxima edición de la Conferencia sobre Sistemas de Procesamiento de Información Neuronal, los investigadores del MIT presentarán un modelo que aprende una representación de estado compacta, o «de baja dimensión», pero detallada, basada en la física subyacente del robot y de su entorno, entre otros factores. Esto ayuda al modelo a optimizar de forma iterativa, de manera conjunta, el control del movimiento y los parámetros de diseño de materiales adaptados a tareas específicas.
«Los robots blandos son criaturas de dimensión infinita que se doblan de mil millones de formas distintas en cualquier momento», afirma el primer autor, Andrew Spielberg, estudiante de posgrado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL). «Pero, en realidad, hay formas naturales en las que es probable que se doblen los objetos blandos. Descubrimos que los estados naturales de los robots blandos pueden describirse de forma muy compacta mediante una descripción de baja dimensión. Optimizamos el control y el diseño de los robots blandos aprendiendo una buena descripción de los estados probables».
En las simulaciones, el modelo permitió que robots blandos en 2D y 3D completaran tareas —como desplazarse determinadas distancias o alcanzar un punto objetivo— más rápido y con mayor precisión que los métodos más avanzados actuales. Los investigadores planean a continuación implementar el modelo en robots blandos reales.
Junto a Spielberg, firman el artículo los estudiantes de posgrado del CSAIL Allan Zhao, Tao Du y Yuanming Hu; Daniela Rus, directora del CSAIL y catedrática Andrew y Erna Viterbi de Ingeniería Eléctrica e Informática; y Wojciech Matusik, profesor asociado del MIT en ingeniería eléctrica e informática y responsable del Grupo de Fabricación Computacional.
«Aprendizaje en el bucle»
La robótica blanda es un campo de investigación relativamente nuevo, pero ofrece grandes perspectivas para la robótica avanzada. Por ejemplo, los cuerpos flexibles podrían ofrecer una interacción más segura con las personas, una mejor manipulación de objetos y una mayor maniobrabilidad, entre otros beneficios.
El control de robots en simulaciones se basa en un «observador», un programa que calcula variables que permiten ver cómo se mueve el robot blando para completar una tarea. En trabajos anteriores, los investigadores descompusieron el robot blando en agrupaciones de partículas simuladas diseñadas manualmente. Las partículas contienen información importante que ayuda a acotar los posibles movimientos del robot. Si un robot intenta doblarse de determinada manera, por ejemplo, los actuadores pueden oponer tanta resistencia a ese movimiento que puede ignorarse. Pero, en robots tan complejos, elegir manualmente qué agrupaciones seguir durante las simulaciones puede resultar complicado.
Partiendo de ese trabajo, los investigadores diseñaron un método de «optimización con aprendizaje en el bucle», en el que todos los parámetros optimizados se aprenden durante un único bucle de retroalimentación a lo largo de muchas simulaciones. Y, al mismo tiempo que la optimización por aprendizaje —o «en el bucle»—, el método también aprende la representación de estado.
El modelo emplea una técnica llamada método de punto material (MPM), que simula el comportamiento de partículas de materiales continuos, como espumas y líquidos, rodeadas por una cuadrícula de fondo. Al hacerlo, captura las partículas del robot y de su entorno observable en píxeles o píxeles 3D, conocidos como vóxeles, sin necesidad de ningún cálculo adicional.
En una fase de aprendizaje, esta información en bruto de la cuadrícula de partículas se introduce en un componente de aprendizaje automático que aprende a recibir una imagen, comprimirla en una representación de baja dimensión y descomprimir dicha representación para devolverla a la imagen de entrada. Si este «autocodificador» conserva suficiente detalle al comprimir la imagen de entrada, puede recrear con precisión la imagen de entrada a partir de la compresión.
En el trabajo de los investigadores, las representaciones comprimidas aprendidas por el autocodificador sirven como representación de estado de baja dimensión del robot. En una fase de optimización, esa representación comprimida retroalimenta el controlador, que genera una actuación calculada para indicar cómo debe moverse cada partícula del robot en el siguiente paso simulado por MPM.
Simultáneamente, el controlador utiliza esa información para ajustar la rigidez óptima de cada partícula con el fin de lograr el movimiento deseado. En el futuro, esa información sobre el material podría ser útil para imprimir en 3D robots blandos, en los que cada punto de partícula podría imprimirse con una rigidez ligeramente distinta. «Esto permite crear diseños de robots adaptados a los movimientos del robot que serán relevantes para tareas específicas», afirma Spielberg. «Al aprender estos parámetros juntos, mantienes todo lo más sincronizado posible, lo que facilita el proceso de diseño».
Optimización más rápida
Toda la información de la optimización se reintroduce, a su vez, al inicio del bucle para entrenar el autocodificador. A lo largo de muchas simulaciones, el controlador aprende el movimiento y el diseño de material óptimos, mientras que el autocodificador aprende una representación de estado cada vez más detallada. «La clave es que queremos que ese estado de baja dimensión sea muy descriptivo», afirma Spielberg.
Una vez que el robot alcanza su estado final simulado durante un periodo de tiempo determinado —por ejemplo, lo más cerca posible del destino—, se actualiza una «función de pérdida». Se trata de un componente fundamental del aprendizaje automático, que intenta minimizar algún error. En este caso, minimiza, por ejemplo, la distancia a la que el robot se detuvo del objetivo. Esa función de pérdida retorna al controlador, que utiliza la señal de error para ajustar todos los parámetros optimizados y completar la tarea de la mejor manera posible.
Si los investigadores hubieran intentado introducir directamente en el controlador todas las partículas en bruto de la simulación, sin el paso de compresión, «el tiempo de ejecución y optimización se dispararía», afirma Spielberg. Gracias a la representación comprimida, los investigadores lograron reducir el tiempo de ejecución de cada iteración de optimización de varios minutos a unos 10 segundos.
Los investigadores validaron su modelo mediante simulaciones de diversos robots bípedos y cuadrúpedos en 2D y 3D. Los investigadores también comprobaron que, mientras que los robots que utilizan métodos tradicionales pueden necesitar hasta 30.000 simulaciones para optimizar estos parámetros, los robots entrenados con su modelo solo necesitaron unas 400 simulaciones.
«Nuestro objetivo es propiciar saltos cuánticos en la forma en que los ingenieros pasan de la especificación al diseño, la creación de prototipos y la programación de robots blandos. En este artículo exploramos el potencial de que la optimización conjunta del cuerpo y del sistema de control de un robot blando pueda llevar a la creación rápida de robots de cuerpo blando personalizados para las tareas que deben realizar», afirma Rus.
Desplegar el modelo en robots blandos reales implica abordar problemas de ruido e incertidumbre del mundo real que pueden reducir la eficiencia y la precisión del modelo. Pero, en el futuro, los investigadores esperan diseñar un flujo de trabajo completo, desde la simulación hasta la fabricación, para robots blandos.
