En un avance importante que nos lleva un paso más cerca del inevitable robopocalipsis, investigadores del MIT han desarrollado un sistema que enseña a los robots cómo adquirir nuevas habilidades y luego enseñar esas habilidades a diferentes tipos de robots.
El sistema se llama C-LEARN, y fue desarrollado por investigadores del Laboratorio de Informática e Inteligencia Artificial (CSAIL) del MIT.
Usando C-LEARN, las personas que no tienen experiencia con la programación de computadoras pueden enseñar a un robot cómo realizar una tarea, como dejar caer un matraz en un cubo o sacar un vástago de un contenedor, proporcionándole algunas reglas básicas sobre la tarea, y permitiendo al robot ver una sola demostración de la tarea que se está completando.
Increíblemente, un robot puede transferir este conocimiento recién adquirido a otro robot, incluso si el aprendizaje del robot es físicamente diferente de la enseñanza del robot.
Eventualmente, el sistema C-LEARN podría permitir a las fábricas utilizar una gran cantidad de diferentes tipos de robots, y no tener que preocuparse por programar cada uno de ellos individualmente.
También podría ayudar a los robots a aprender y enseñar rápidamente nuevas tareas en situaciones de alta presión, como cuando están ocupados exterminando a toda la especie humana, o en un sentido más práctico, cuando están desactivando bombas.
C-LEARN aplica dos principios básicos de enseñanza de robots: aprender de una demostración y aprender mediante programación bruta, donde cada parámetro físico tiene que ser codificado manualmente por un experto.
Estas estrategias de enseñanza vienen con desventajas.
Con las demostraciones, los robots realmente no pueden aplicar lecciones a otras situaciones o entornos, y con los métodos de planificación de movimiento, la enseñanza requiere mucho tiempo y trabajo.
Los investigadores de CSAIL Claudia Pérez-D’Arpino y Julie Shah combinaron estos dos principios para compensar las deficiencias de cada uno.
“Al combinar la intuición del aprendizaje de la demostración con la precisión de los algoritmos de planificación de movimiento, este enfoque puede ayudar a los robots a hacer nuevos tipos de tareas que no han sido capaces de aprender antes, como el ensamblaje de varios pasos con sus dos brazos”, señaló Pérez-D’Arpino.
El primer paso del proceso de enseñanza es proporcionar a un robot información sobre cómo alcanzar o agarrar varios objetos con diferentes restricciones (la “C” en C-LEARN en realidad significa constraints: restricciones).
Por ejemplo, aunque ciertos objetos pueden ser similares en términos de forma, como un volante o un neumático, se requiere un conjunto diferente de movimientos cuando se unen estas partes a un automóvil.
Information on erectile dysfunction Erectile dysfunction basically is a disorder which is faced by many men around the best price on levitra globe. There are levitra on line donssite.com countless companies out there which offer quality preventive maintenance and onsite services Hyderabad for businesses. This would not only professional cialis momentarily delay the delivery of the anti ED medicines. The older men are the main target for ED abnormalities as viagra price usa they are mostly prone to various disorders and ill health’s, with increasing age, fatigue, weakening of organs, and many more. Para la segunda etapa, un operador humano utiliza una interfaz de usuario 3D para mostrar al robot cómo completar la tarea.
En las pruebas, después de observar una sola demostración, los robots pudieron acceder a su base de conocimientos y hacer un movimiento sugerido para que el operador aprobara o modificara según fuera necesario.
Si no hay un operador, el robot sólo puede adivinar (adivinando, los robots de prueba del MIT fueron exitosos 87.5 por ciento del tiempo, en comparación con el 100 por ciento del tiempo cuando los humanos ayudaron).
“Este enfoque es en realidad muy similar a cómo los seres humanos aprenden en términos de ver cómo algo está hecho y conectarlo con lo que ya sabemos sobre el mundo”, dice Pérez-D’Arpino.
“No podemos aprender magicamente de una sola demostración, por lo que tomamos nueva información y la comparamos con el conocimiento previo sobre nuestro entorno”.
Es importante destacar que este conocimiento puede ser enseñado a otro robot.
En el laboratorio, los investigadores de CSAIL enseñaron un conjunto de tareas a Optimus, un robot de dos brazos diseñado para tareas de eliminación de bombas.
Posteriormente, transfirió este conocimiento a Atlas, un imponente robot bípedo que pesa más de 400 libras.
Al final del experimento, ambos robots pudieron abrir puertas, transportar objetos y extraer objetos de contenedores, a pesar de que los robots tenían diferencias físicas dramáticas, y Atlas nunca recibió directamente las habilidades de un humano.
C-LEARN es un avance importante porque, en lugar de imitar directamente el movimiento, el robot tiene que inferir los principios detrás del movimiento, un enfoque más humano.
No repetimos cada acción física que se nos enseña de una manera literal.
En su lugar, integramos lo que hemos aprendido a través de demostraciones, y luego aplicamos nuestro conocimiento a contextos similares.
Bueno, no es Skynet, pero es un comienzo 😉
Artículos relacionados:
Robots que enseñan a otros robots a jugar Pac-Man 
Pequeño motor caminante podría ayudar a los robots a construir otros robots 
Investigadores están trabajando para dar a los robots habilidades sociales 
Google usa inteligencia artificial para enseñar a los robots cómo moverse como animales reales 
Robots hechos de hielo podrían construirse y auto repararse en otros planetas 
Cómo los robots podrían ayudar a niños autistas a mejorar sus habilidades sociales