Robot artificialmente inteligente aprende como un bebé

Robot artificialmente inteligente aprende como un bebé

Comparta este Artículo en:

Para los niños pequeños, jugar con juguetes no es solo diversión y juegos; es una forma importante de que aprendan cómo funciona el mundo.

Usando una metodología similar, los investigadores de UC Berkeley han desarrollado un robot que, como un niño, aprende desde cero y experimenta con objetos para descubrir cómo moverlos mejor.

Y al hacerlo, este robot es esencialmente capaz de ver su propio futuro.

Un sistema de aprendizaje robótico desarrollado por investigadores del Departamento de Ingeniería Eléctrica y Ciencias de la Computación de Berkeley visualiza las consecuencias de sus acciones futuras para descubrir formas de mover objetos a través del tiempo y el espacio.

Llamado Vestri, y usando una tecnología llamada previsión visual, el sistema puede manipular objetos que nunca antes había encontrado, e incluso evitar objetos que podrían estar en el camino.

Es importante destacar que el sistema aprende desde cero, utilizando sesiones exploratorias no supervisadas y sin guía para descubrir cómo funciona el mundo.

Es un avance importante porque el sistema no requiere que un ejército de programadores codifique todas las posibles contingencias físicas que, dado lo complicado y variado que sea el mundo, sería una tarea terriblemente onerosa (e incluso difícil de resolver).

En el futuro, las versiones ampliadas de este sistema predictivo de autoaprendizaje podrían hacer que los robots sean más adaptables en entornos de fábrica y residenciales, y ayudar a los vehículos que se conducen de forma autónoma a anticipar eventos futuros en la carretera.

Dirigidos por el profesor adjunto de la Universidad de Berkeley, Sergey Levine, los investigadores construyeron un robot que puede predecir lo que verá a través de una cámara si realiza una determinada secuencia de movimientos.

Como se señaló, el sistema no está preprogramado y, en su lugar, aprende a través de un proceso llamado aprendizaje de refuerzo basado en modelos.

Suena elegante, pero es similar a la forma en que un niño pequeño aprende cómo mover objetos a través de la repetición, ensayo y error.

Los psicólogos infantiles lo llaman “balbuceo motor” y los investigadores de UC Berkeley aplicaron la misma metodología y terminología a Vestri.

“De la misma manera que podemos imaginar cómo nuestras acciones moverán los objetos en nuestro entorno, este método puede permitir que un robot visualice cómo los diferentes comportamientos afectarán el mundo que lo rodea”, dijo Levine en un comunicado.

“Esto puede permitir la planificación inteligente de habilidades altamente flexibles en situaciones complejas del mundo real”.

Para entrenar el sistema, los investigadores le permiten al robot “jugar” con varios objetos en una mesa pequeña.

Una forma de inteligencia artificial conocida como aprendizaje profundo se aplicó a la predicción de video recurrente, permitiendo al robot prever cómo los pixeles de una imagen se moverían de un cuadro a otro en función de sus movimientos.

En las pruebas, el modelo de mundo autoadministrado por el robot le permitió mover objetos con los que nunca había tratado antes y moverlos a las ubicaciones deseadas (a veces teniendo que mover los objetos alrededor de obstáculos).

“Los niños pueden aprender sobre su mundo jugando con juguetes, moviéndolos, agarrándolos, etc.

Nuestro objetivo con esta investigación es permitir que un robot haga lo mismo: aprender cómo funciona el mundo a través de la interacción autónoma “, dijo Levine.

“Las capacidades de este robot todavía son limitadas, pero sus habilidades se aprenden de forma totalmente automática y le permiten predecir interacciones físicas complejas con objetos que nunca antes había visto, basándose en patrones de interacción previamente observados”.

Como señala Levine, el sistema sigue siendo bastante básico, y solo puede “ver” unos segundos en el futuro.

Eventualmente, un sistema autodidacta como este podría aprender la configuración dentro de una fábrica, y tener la previsión de evitar trabajadores humanos y otros robots que puedan estar en el mismo entorno.

También podría aplicarse a vehículos autónomos donde este modelo predictivo podría, por ejemplo, permitir que pase a un vehículo que se mueve lentamente moviéndose hacia el otro carril  o evitar una colisión.

Para el equipo de Levine, el próximo paso será lograr que el robot realice tareas más complejas, como recoger y colocar objetos, y manipular objetos blandos y maleables, como telas, cuerdas y objetos frágiles.

Fuente: Gizmodo

Artículos relacionados: