Los mejores análisis sobre criptomonedas directamente en tu bandeja de entrada.
Un avance del MIT permite a los robots utilizar cuerpos enteros para manipular objetos
- La nueva técnica de inteligencia artificial del MIT permite a los robots utilizar todo su cuerpo para tareas complejas, imitando capacidades de manipulación similares a las de los humanos.
- El método de IA de “suavizado” simplifica miles de millones de puntos de contacto potenciales, reduciendo drásticamente el tiempo de cálculo y aumentando la eficiencia.
- Este avance podría revolucionar las industrias y la exploración espacial al permitir sistemas robóticos más versátiles y energéticamente eficientes.
Investigadores del Instituto Tecnológico de Massachusetts (MIT) han mejorado significativamente las capacidades de manipulación robótica. Mediante una nueva técnica de IA llamada "smoothing", los robots ahora pueden realizar tareas utilizando todo su cuerpo, en lugar de solo las yemas de los dedos. Esta innovación podría revolucionar el uso de los robots en fábricas, la exploración espacial y otros campos.
El desafío de planificar una manipulación rica en contactos
Manipular objetos con todo el cuerpo supone un desafío monumental para los robots. Deben tener en cuenta miles de millones de puntos de contacto potenciales en un objeto por cada toque con sus dedos, manos, brazos y torso. Este proceso, conocido como "planificación de manipulación rica en contacto", es computacionalmente costoso y ha sido un cuello de botella para las aplicaciones prácticas. Los humanos gestionan estas tareas intuitivamente, pero resultan extremadamente complejas para los robots.
La solución
Para simplificar el problema, investigadores del MIT desarrollaron una nueva técnica de IA basada en el "suavizado", que condensa los numerosos eventos de contacto en un conjunto de decisiones más pequeño y manejable. Esta innovación permite que incluso algoritmos básicos diseñen un plan de manipulación eficaz para un robot de forma eficiente.
“El suavizado promedia muchas de esas decisiones intermedias sin importancia y deja unas pocas importantes”, dijo HJ Terry Suh,dent de posgrado del MIT y coautor principal del artículo publicado en IEEE Transactions on Robotics.
Aprendizaje por refuerzo vs. suavizado
Si bien el aprendizaje por refuerzo ha sido eficaz para ayudar a los robots a realizar tareas complejas, requiere una enorme capacidad computacional y tiempo. Según Suh, aprende mediante un sistema de "caja negra" de prueba y error, que a menudo requiere millones de años de simulación para ser efectivo.
Sin embargo, el suavizado ofrece una alternativa. Al comprender cuidadosamente el modelo y el problema, los investigadores lograron optimizar el proceso. El suavizado permite al robot centrarse en las interacciones principales con los objetos, lo que permite una planificación de tareas más rápida y eficaz.
Lograr eficiencia y enfoque combinado
A pesar de los avances en el suavizado, la búsqueda, incluso con un número reducido de decisiones, seguía siendo un desafío. Los investigadores combinaron el modelo de suavizado con un algoritmo de búsqueda, reduciendo el tiempo de cálculo a aproximadamente un minuto en una computadora portátil estándar.
El equipo probó su enfoque tanto en simulaciones como en brazos robóticos reales, logrando un rendimiento comparable al aprendizaje de refuerzo pero en una fracción del tiempo.
Aplicaciones y perspectivas
Las implicaciones de esta investigación son enormes. En entornos industriales, las fábricas podrían reemplazar los grandes brazos robóticos por robots más pequeños y móviles que utilizan todo su cuerpo para tareas de manipulación, reduciendo así el consumo y los costos energéticos.
Además, la técnica podría resultar invaluable para los robots de exploración enviados a Marte u otros cuerpos celestes, donde la rápida adaptación a nuevos entornos es crucial.
Sin embargo, los investigadores reconocen limitaciones en la gestión de tareas dinámicas, como la capacidad de un robot para arrojar un objeto a un contenedor. El equipo planea perfeccionar su enfoque para abordar estos desafíos.
Suh enfatizó que en lugar de pensar en esto como un sistema de "caja negra", si podemos aprovechar la estructura de este tipo de sistemas robóticos utilizando modelos, existe la oportunidad de acelerar todo el procedimiento.
Amazon, el Laboratorio Lincoln del MIT, la Fundación Nacional de Ciencias y el Grupo Ocado financiaron parcialmente el trabajo. A medida que las técnicas de manipulación robótica del MIT siguen evolucionando, abren nuevas posibilidades para la robótica en diversos sectores, lo que demuestra que una comprensión profunda del problema puede conducir a soluciones innovadoras.
Con avances como estos, los robots que manipulan objetos tan intuitivamente como los humanos podrían no estar tan lejos de la realidad.
Si estás leyendo esto, ya llevas ventaja. Mantente al día con nuestro boletín informativo.
Aviso legal. La información proporcionada no constituye asesoramiento comercial. Cryptopolitanno se responsabiliza de las inversiones realizadas con base en la información proporcionada en esta página. Recomendamostronrealizar una investigacióndent o consultar con un profesional cualificado antes de tomar cualquier decisión de inversión.
CURSO
- ¿Qué criptomonedas pueden hacerte ganar dinero?
- Cómo mejorar tu seguridad con una billetera (y cuáles realmente vale la pena usar)
- Estrategias de inversión poco conocidas que utilizan los profesionales
- Cómo empezar a invertir en criptomonedas (qué plataformas de intercambio usar, las mejores criptomonedas para comprar, etc.)