Lo que los robots no pueden entender

Por Marty Graham, Colaborador

Hay algunas cosas que los robots no pueden comprender. Literalmente. Y un equipo de ingenieros y científicos de datos de la Universidad de California, Berkeley, AUTOLAB está creando más de estos inmanejables elementos todo el tiempo…. El esfuerzo no es un ejercicio de crueldad mecánica, sino que estos objetos de aspecto extraño -que los profesores Ken Goldberg y Jeff Mahler llaman objetos «adversarios»- son parte de un enfoque de ensayo y error para ayudar a los robots de AUTOLAB a desarrollar el conocimiento para recoger una gama de objetos que tienen formas «extrañas». Y esa es una habilidad cada vez más importante en estos días.

TAMBIÉN LE PUEDE INTERESAR ESTE PODCAST SOBRE LOS COLABORADORES DE LOS ROBOTS

La demanda de robots ha aumentado cada año, según la Asociación de Industrias Robóticas (RIA). Mientras que los gigantes de la venta al por menor y los fabricantes de automóviles han representado históricamente la mayor demanda, más empresas fuera del sector de los vehículos están empezando a instalar robots. De los casi 36.000 robots comprados en 2018, 16.702 se enviaron a empresas no automovilísticas, un aumento del 41 por ciento en comparación con 2017.

Con esta instalación más generalizada de robots se amplían los casos de uso más allá de las tareas repetitivas y altamente controladas a las que han sido relegados en los almacenes y en las plantas de fábrica, como la carga, descarga y estantería de paletas de mercancías o la soldadura de piezas de automóviles. Pero tienen sus límites.

TAMBIÉN LE PUEDE INTERESAS ESTE ARTÍCULO SOBRE LA ROBÓTICA

Mientras que los robots ya están completando un trabajo de ensamblaje preciso, repitiendo un conjunto muy limitado de tareas una y otra vez, las situaciones -como cambiar rápidamente para clasificar y recoger objetos aleatorios para llenar un pedido al por menor- las van cronometrando. Considere, por ejemplo, los pocos segundos que tarda un humano en sacar una pizza de un horno y apagar el horno; descorchar una botella de vino y encontrar y llenar un vaso; coger un plato y cortar la pizza; y luego colocar una rebanada en el plato. Esta serie de acciones requiere agarrar objetos duros, blandos e incluso muy blandos, objetos calientes y fríos, así como líquidos y sólidos. Aunque los humanos entienden instintivamente cómo agarrar cualquier objeto -incluso uno que nunca hemos visto antes- los robots tienen que aprender esta habilidad: El robot tiene que percibir el objeto con sus sensores, modelarlo apropiadamente, determinar una estrategia para recogerlo y luego ejecutar la acción deseada. Y aunque es probable que se pueda crear un robot comercial para completar tales demandas, sería costoso y requeriría una amplia formación. Ahí es donde entra en juego el trabajo de AUTOLAB.

Aprendizaje a través del fracaso

Goldberg, Mahler y sus estudiantes de postgrado comenzaron a trabajar en la Red de Destreza de AUTOLAB (Dex-Net) en 2015. Esta innovadora empresa desarrolla y refina las estrategias de «picking» de los robots y, lo que es igual de importante, ha mejorado el aprendizaje de las máquinas que hay detrás de los cálculos de picking.

«Dex-Net puede utilizarse para entrenar un sistema robótico para la manipulación de una variedad de artículos sin necesidad de conocimientos previos (por ejemplo, modelos CAD, masa o imágenes)», dice Mahler. «Una de las ventajas es que se puede adaptar rápidamente a diferentes sistemas de hardware que consisten en varios brazos, pinzas y cámaras de profundidad 3D, lo que permite una personalización más rápida de los sistemas de aprendizaje robótico».

La primera iteración de Dex-Net implicó la creación de un sistema para agarrar un objeto a la vez con mandíbulas paralelas – piense en dos dedos o alicates. Su trabajo actual, Dex-Net 4.0, amplía el sistema, entrenando a los robots para que cojan una mayor variedad de objetos apilados en montones que hacen que la recolección sea más difícil. Dex-Net 4.0 incluye ahora tanto la pinza de mordazas paralelas como un brazo de succión neumática añadido recientemente, cada uno con su propia red neuronal. La programación central del robot proporciona información sobre el tamaño y la forma a través de su sistema de sensores, pero permite que las redes neuronales separadas de los dos brazos decidan si un objeto debe ser manipulado por agarre o por succión.

Mientras que los investigadores de AUTOLAB aplauden sus avances, lo que realmente les interesa son los fracasos: los objetos adversos involuntarios que el robot Dex-Net no pudo recoger o retener.

«Parte de la filosofía de AUTOLAB es sondear los modos de fallo que proporcionan una visión más profunda de un método», dice Mahler. «De ahí es de donde vinieron los objetos adversarios. Los resultados de Dex-Net sólo fueron posibles con incontables horas de meticulosa experimentación y un sano escepticismo».

Todo el tiempo, AUTOLAB ha estado diseñando y creando miles de objetos adversarios -algunos como simulaciones virtuales y muchos otros en 3D- impresos. Los objetos físicos son pequeños -alrededor de 10 cm- ya que están pensados para frustrar un robot con pinzas de 5 cm, dice Mahler.

Algunos objetos parecen que tienen formas familiares, pero con un giro peculiar, como un cubo en el que parte de una superficie ha sido raspada, creando un nuevo plano que se desliza fácilmente de las pinzas de un robot que recoge el cubo. Otros parecen surgidos de una pesadilla: objetos de cinco patas derretidos y retorcidos. Independientemente de su apariencia, todos los objetos parecen simétricos -o al menos comprensiblemente proporcionados- pero, en realidad, no lo son.

Recogida más rápida

Quizás el mayor avance de AUTOLAB es que Goldberg, Mahler y los miles de «objetos adversarios» que han creado han reducido drásticamente el tiempo de entrenamiento de los robots mediante el uso de simulaciones en lugar de un minucioso etiquetado y aprendizaje de imágenes.

La inteligencia artificial ya está mejorando las capacidades de recolección de los robots. Por ejemplo, los sensores de los robots leen los números de la SKU, lo que permite a los robots comprender el tamaño y la forma del objeto objetivo. Esta innovación, sin embargo, requiere entrenar el algoritmo de software de los robots con millones de imágenes que fueron etiquetadas, a menudo individualmente, por humanos – un proceso lento y tedioso que reduce la productividad.

Cuando Dex-Net comenzó, la fuente de datos eran imágenes etiquetadas a mano o ejemplos recogidos de un sistema físico. En ambos casos, los investigadores recolectaron millones de puntos de datos en un proceso que requirió un año o más. Ese ya no es el caso.

«La idea de Dex-Net es automatizar la recogida de datos de formación mediante el uso de la simulación», dice Mahler. «Utilizamos modelos analíticos basados en la física y la geometría para determinar automáticamente si un agarre robótico recogería o no un objeto con éxito. También utilizamos una técnica llamada aleatorización de dominio para aleatorizar los parámetros del simulador, como la masa del objeto, la fricción y los parámetros de la cámara, lo que ayuda a transferir el aprendizaje de la simulación a la realidad».

«El resultado es que podemos recoger millones de puntos de datos útiles en menos de un día», añade. En entornos comerciales, donde el tiempo es dinero, es una innovación poderosa.

El robot Dex-Net ganó con mucha facilidad el Amazon Picking Challenge, el evento anual de Amazon que marca el progreso de la recolección, con la sorprendente cifra de 200 a 300 recolecciones por hora, un tremendo aumento de las 70 a 95 recolecciones por hora estándar.

El equipo se está asegurando de que sus esfuerzos a pequeña escala se equiparen con el manejo de aparatos y coches y pone a disposición gran parte de los datos y herramientas de entrenamiento en una biblioteca de código abierto para entrenar a otros robots.

Mientras lanzaban su propia compañía llamada Ambidextrous hace un año, Mahler y Goldberg siguen en AUTOLAB refinando lo que han aprendido y trabajando en la próxima gran idea: aprovechar los avances en el aprendizaje profundo. «Estamos desarrollando nuevos métodos [de enseñanza] para que los robots realicen tareas como la inserción de agujas quirúrgicas, el atado de cuerdas y el ensamblaje», dice Mahler.

Estos avances en la enseñanza pueden hacer que los robots pasen de tareas repetitivas en las líneas de montaje a tareas más intrincadas, como la sutura en un quirófano. Y eso pone al alcance de estos hábiles robots casos de uso completamente nuevos.

About the Author: Dell Technologies