Inteligencia artificial aprende a vestirse por sí misma

Comparta este Artículo en:

La capacidad de ponernos la ropa cada día es algo que la mayoría de nosotros damos por sentado, pero como descubrieron recientemente en el Instituto de Tecnología de Georgia, es una tarea sorprendentemente complicada, incluso para una inteligencia artificial.

Como cualquier niño pequeño con gusto le dirá, no es fácil vestirse.

Requiere paciencia, destreza física, conciencia corporal y conocimiento de dónde se supone que las partes de nuestro cuerpo deben ir dentro de la ropa.

Vestirse puede ser una prueba frustrante para los niños pequeños, pero con persistencia, estímulo y práctica suficientes, es algo que la mayoría de nosotros aprendemos a dominar.

Como muestra una nueva investigación, la misma estrategia de aprendizaje utilizada por los niños pequeños también se aplica a los personajes de computadora artificialmente inteligentes.

Usando una técnica de inteligencia artificial conocida como aprendizaje de refuerzo, el equivalente digital del estímulo de los padres, un equipo dirigido por Alexander W. Clegg, un estudiante de doctorado en ciencias de la computación en el Instituto de Tecnología de Georgia, enseñó a los robots animados a vestirse.

En las pruebas, sus robots animados podían ponerse camisetas y chaquetas virtuales o ser parcialmente vestidos por un asistente virtual.

Eventualmente, el sistema podría ayudar a desarrollar animaciones por computadora más realistas o sistemas robóticos físicos capaces de vestir a personas que luchan por hacerlo por sí mismas, como personas con discapacidades o enfermedades.

Ponerse la ropa, como señalan Clegg y sus colegas en su nuevo estudio, es un proceso multifacético.

“Ponemos la cabeza y los brazos en una camisa o nos ponemos los pantalones sin pensar en la naturaleza compleja de nuestras interacciones con la ropa”, escriben los autores del estudio, cuyos detalles se presentarán en la conferencia SIGGRAPH Asia 2018 sobre Gráficos por computadora en diciembre.

“Podemos usar una mano para mantener abierta una camisa, colocar la segunda mano en la manga, empujar nuestro brazo a través de la manga y luego invertir los papeles de las manos para tirar de la segunda manga.

Todo el tiempo, nos estamos cuidando para evitar que nuestra mano quede atrapada en la prenda o se rasgue la ropa, a menudo guiada por nuestro sentido del tacto”.

Los animadores informáticos son plenamente conscientes de estos desafíos y, a menudo, luchan por crear representaciones realistas de los personajes que se visten.

Para ayudar en este sentido, el equipo de Clegg recurrió al aprendizaje por refuerzo, una técnica que ya se está utilizando para enseñar bots habilidades motoras complejas desde cero.

Con el aprendizaje por refuerzo, los sistemas están motivados hacia un objetivo designado al ganar puntos por conductas deseables y puntos de pérdida por conductas contraproducentes.

Es un proceso de prueba y error, pero con aplausos o abucheos que guían al sistema a medida que aprende “políticas” o estrategias efectivas para completar una meta.

Sin embargo, la diferencia con la vestimenta es la necesidad de una percepción háptica.

buying viagra from canada Due to this, people are worried about starvation and malnutrition. Could men prevent ED? Yes men can prevent cialis online and control ED by performing Kegel exercise. Mostly it is said that the india cialis 100mg pill is enough for a man to have in a day. Their goal is to correct imbalances and injuries naturally using pfizer viagra samples try that website now manipulative therapies. Los personajes animados necesitan tocar su ropa para inferir el progreso.

Cuando se visten, los robots deben aplicar fuerza para mover sus brazos virtuales a través de la ropa, mientras evitan las fuerzas que podrían dañar la prenda, o que una mano o un codo se atasquen.

En consecuencia, los investigadores tuvieron que agregar un segundo elemento importante al proyecto: un motor de física capaz de simular la tracción, el estiramiento y la manipulación de materiales maleables como la tela.

Durante el proceso de entrenamiento, un robot ganó puntos al agarrar con éxito el borde de una manga o asomar su cabeza a través del collar.

Pero cuando una acción provocaba un desgarro o un enredo desesperado de sus brazos, perdía puntos.

Sin embargo, muy rápidamente en el proyecto, los investigadores se dieron cuenta de que una política de vestimenta única y coherente no iba a funcionar.

La complicada tarea de vestirse tuvo que dividirse en una serie de políticas secundarias.

Pero esto tiene sentido; cuando enseñamos a los niños a vestirse, lo enseñamos paso a paso.

El acto de vestirse no se puede dividir en una sola política filosófica: es un proceso paso a paso que conduce a un objetivo deseado.

El equipo de Clegg desarrolló un algoritmo de secuencia de políticas para este propósito; en cualquier etapa, un robot animado sabía dónde estaba en el proceso de preparación, y qué paso se necesitaba a continuación para que pudiera avanzar hacia la meta deseada.

Clegg y sus colegas dicen que su nuevo artículo es el primero en demostrar que el aprendizaje de refuerzo, en conjunto con la simulación de telas, se puede usar para enseñar una “política de control para vestirse robusta” a los robots, aunque es “necesario separar la tarea de vestirse en varias subtareas “y que el sistema” aprenda una política de control para cada subtarea “para que funcione, escriben los autores en el estudio.

Es importante destacar que el estudio se limitó a tareas de la parte superior del cuerpo; la realización de tareas de vestirse en la parte inferior del cuerpo habría introducido un conjunto completamente nuevo de complicaciones, como mantener el equilibrio y ponerse los pantalones.

Además, el sistema era computacionalmente exigente.

Eventualmente, a los investigadores les gustaría incorporar memoria en el sistema, lo que podría “reducir el número de subtareas necesarias y permitir una mayor generalización de las habilidades aprendidas”, escriben los autores.

De hecho, al igual que el niño que rápidamente adquiere competencia y flexibilidad a través de la experiencia, a los investigadores les gustaría que su sistema hiciera lo mismo.

Como nota final, este estudio muestra lo difícil que será crear una inteligencia artificial general.

Fue un triunfo de investigación de inteligencia artificial crear máquinas capaces de derrotar a los grandes maestros en ajedrez y Go, pero crear sistemas que puedan realizar tareas más mundanas, como vestirse a sí mismos, también es un desafío enorme.

Fuente: Gizmodo