Un nuevo sistema de aprendizaje desarrollado por investigadores del MIT mejora la capacidad de los robots para moldear materiales en formas determinadas y para predecir cómo interactuarán con objetos sólidos y líquidos. El sistema, conocido como simulador de partículas basado en el aprendizaje, podría dotar a los robots industriales de un tacto más refinado y podría tener aplicaciones interesantes en la robótica personal, como el modelado de figuras de arcilla o el enrollado de arroz pegajoso para el sushi.
En la planificación robótica, los simuladores físicos son modelos que capturan cómo responden distintos materiales a la fuerza. Los robots son «entrenados» con estos modelos para predecir los resultados de sus interacciones con objetos, como empujar una caja sólida o presionar arcilla deformable. Sin embargo, los simuladores tradicionales basados en el aprendizaje se centran principalmente en objetos rígidos y no pueden manejar fluidos ni objetos más blandos. Algunos simuladores basados en la física, más precisos, pueden manejar materiales diversos, pero dependen en gran medida de técnicas de aproximación que introducen errores cuando los robots interactúan con objetos en el mundo real.
En un artículo que se presentará en la Conferencia Internacional sobre Representaciones de Aprendizaje, en mayo, los investigadores describen un nuevo modelo que aprende a captar cómo interactúan pequeñas porciones de distintos materiales —«partículas»— cuando se presionan y se tocan. El modelo aprende directamente a partir de datos en los casos en que la física subyacente de los movimientos es incierta o desconocida. Los robots pueden entonces utilizar el modelo como guía para predecir cómo reaccionarán los líquidos, así como los materiales rígidos y deformables, ante la fuerza de su contacto. A medida que el robot manipula los objetos, el modelo también ayuda a refinar aún más su control.
En los experimentos, una mano robótica con dos dedos, denominada «RiceGrip», dio forma con precisión a una espuma deformable hasta una configuración deseada —como una forma de «T»— que sirve como sustituto del arroz para sushi. En resumen, el modelo de los investigadores funciona como una especie de cerebro de «física intuitiva» que los robots pueden aprovechar para reconstruir objetos tridimensionales de forma algo similar a como lo hacen los humanos.
«Los humanos tenemos en la cabeza un modelo de física intuitiva, con el que podemos imaginar cómo se comportará un objeto si lo empujamos o lo apretamos. Basándose en este modelo intuitivo, los humanos pueden realizar tareas de manipulación asombrosas que están muy por encima de lo que los robots actuales pueden hacer», afirma el primer autor, Yunzhu Li, estudiante de posgrado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL). «Queremos construir este tipo de modelo intuitivo para los robots, para que puedan hacer lo que los humanos pueden hacer».
«Cuando los niños tienen 5 meses, ya tienen expectativas distintas para los sólidos y los líquidos», añade el coautor Jiajun Wu, estudiante de posgrado de CSAIL. «Es algo que sabemos desde una edad temprana, así que quizá sea algo que deberíamos intentar modelar para los robots».
En el artículo también participan, junto con Li y Wu: Russ Tedrake, investigador de CSAIL y profesor del Departamento de Ingeniería Eléctrica e Informática (EECS); Joshua Tenenbaum, profesor del Departamento de Ciencias del Cerebro y Cognitivas, y miembro de CSAIL y del Centro de Cerebros, Mentes y Máquinas (CBMM); y Antonio Torralba, profesor de EECS y director del Laboratorio de IA MIT-IBM Watson.
Grafos dinámicos
Una innovación clave del modelo, denominada «red de interacción de partículas» (DPI-Nets), consistió en crear grafos de interacción dinámicos, formados por miles de nodos y aristas que pueden captar comportamientos complejos de las llamadas partículas. En los grafos, cada nodo representa una partícula. Los nodos vecinos se conectan entre sí mediante aristas dirigidas, que representan la interacción que pasa de una partícula a otra. En el simulador, las partículas son cientos de pequeñas esferas que se combinan para formar algún líquido u objeto deformable.
Los grafos se construyen como base de un sistema de aprendizaje automático denominado red neuronal de grafos. Durante el entrenamiento, el modelo aprende con el tiempo cómo reaccionan y se reconfiguran las partículas de distintos materiales. Lo hace calculando implícitamente diversas propiedades de cada partícula —como su masa y elasticidad— para predecir si la partícula se moverá en el grafo cuando sea perturbada y hacia dónde.
El modelo recurre después a una técnica de «propagación», que difunde al instante una señal por todo el grafo. Los investigadores personalizaron la técnica para cada tipo de material —rígido, deformable y líquido— con el fin de emitir una señal que prediga las posiciones de las partículas en determinados pasos temporales incrementales. En cada paso, el modelo mueve y vuelve a conectar las partículas, si es necesario.
Por ejemplo, si se empuja una caja sólida, las partículas perturbadas se desplazarán hacia delante. Como todas las partículas del interior de la caja están conectadas rígidamente entre sí, cada una de las demás partículas del objeto se desplaza la misma distancia calculada, la misma rotación y cualquier otra dimensión. Las conexiones entre partículas permanecen intactas y la caja se mueve como una sola unidad. Pero si se presiona un área de espuma deformable, el efecto será distinto. Las partículas perturbadas se desplazan mucho hacia delante, las partículas circundantes solo se desplazan ligeramente y las partículas más alejadas no se mueven en absoluto. Cuando un líquido se agita en una taza, las partículas pueden saltar por completo de un extremo del grafo al otro. El grafo debe aprender a predecir dónde y cuánto se desplaza cada partícula afectada, lo que resulta computacionalmente complejo.
Dar forma y adaptarse
En su artículo, los investigadores demuestran el modelo encargando al robot RiceGrip, de dos dedos, que sujete y dé forma a objetos de espuma deformable hasta lograr las formas deseadas. El robot utiliza primero una cámara de detección de profundidad y técnicas de reconocimiento de objetos para identificar la espuma. Los investigadores seleccionan aleatoriamente partículas dentro de la forma percibida para inicializar la posición de las partículas. A continuación, el modelo añade aristas entre las partículas y reconstruye la espuma en un grafo dinámico personalizado para materiales deformables.
Gracias a las simulaciones aprendidas, el robot ya tiene una buena idea de cómo cada contacto, con una determinada cantidad de fuerza, afectará a cada una de las partículas del grafo. Cuando el robot empieza a presionar la espuma, ajusta de forma iterativa la posición real de las partículas a la posición objetivo de las mismas. Siempre que las partículas no coinciden, envía una señal de error al modelo. Esa señal ajusta el modelo para que se ajuste mejor a la física real del material.
A continuación, los investigadores pretenden mejorar el modelo para ayudar a los robots a predecir mejor las interacciones en escenarios parcialmente observables, como saber cómo se desplazará una pila de cajas cuando se empuje, aunque solo sean visibles las cajas de la superficie y la mayoría de las demás cajas estén ocultas.
Los investigadores también están explorando formas de combinar el modelo con un módulo de percepción de extremo a extremo que opere directamente sobre imágenes. Este será un proyecto conjunto con el grupo de Dan Yamins; Yamins completó recientemente su posdoctorado en el MIT y es ahora profesor adjunto en la Universidad de Stanford. «Constantemente nos enfrentamos a casos en los que solo se dispone de información parcial», afirma Wu. «Estamos ampliando nuestro modelo para aprender la dinámica de todas las partículas, aunque solo veamos una pequeña parte».
