No tan brutos: el proyecto del MIT para que las manos robóticas no rompan todo lo que tocan

La sutileza no es una virtud propia de los robots. De hecho, diversas investigaciones en el área se han esforzado para que las máquinas —especialmente aquellas que deben manipular objetos e interactuar con humanos— adquieran el don de la suavidad. Ocurre que tales ingenios son diestros para llevar de aquí para allá cajas pesadísimas, pero aún tienen dificultades, por ejemplo, para sostener un huevo o ayudar a una persona a vestirse.

Una nueva investigación que emerge del Instituto Tecnológico de Massachusetts (MIT) propone una innovadora solución para ese intríngulis. El plan es elaborado: lo describen como un “proceso neuronal de agarre” capaz de inferir las características de los objetos que recogerá, en tiempo real.

El problema surge de una verdad que los humanos conocemos y los robots no: las apariencias muchas veces engañan. “Es posible que la máquina vea un bloque, quiera agarrarlo y entonces comprenda que se trata de una porción de torta”, señalan al respecto desde el MIT CSAIL, la división de la academia estadounidense especializada en inteligencia artificial.

¿Cómo funciona el modelo del MIT que infiere las características de los objetos?

Comprender las particularidades de un objeto no es trivial para una máquina, en especial para los brazos robóticos que trabajan como pinzas automatizadas. Si bien cuentan con sistemas de visión por computadora que les permiten visualizar el entorno, no siempre pueden identificar los elementos a los que se acercan. El ejemplo del bloque y la porción de torta es muy gráfico.

“Las apariencias engañosas podrían llevar al robot a calcular erróneamente las propiedades físicas del objeto, como el peso y el centro de masa, y aplicar un agarre incorrecto, haciendo más fuerza de la necesaria”, indican los especialistas involucrados en este diseño.

La “magia” del sistema que idearon radica en inyectar en los robots la capacidad para inferir rasgos ocultos en los objetos. El propósito es que los agarres robóticos sean más inteligentes; en otra palabra, más parecidos a los que ejercemos los humanos, más allá de eventuales equivocaciones que culminan, por caso, con un huevo reventado.

El gran problema es la disponibilidad limitada de información. ¿Cómo funciona, entonces? El denominado “proceso neuronal de agarre” está entrenado para inferir características no visibles a partir de un historial de intentos. En base a la experiencia —intentos exitosos y errores, respectivamente— puede adivinar qué tipos de agarre funcionarán mejor. El cambio clave es la revisión de movimientos previos: los modelos anteriores solo se basaban en los datos que provee el sistema de visión artificial.

Este ingenio “permite a las máquinas ejecutar buenos agarres de manera más eficiente al utilizar muchos menos datos de interacción y finaliza su cálculo en menos de una décima de segundo, a diferencia de los segundos (o minutos) que requieren los métodos tradicionales”, explican los investigadores del MIT CSAIL.

¿En qué entornos ofrecerá beneficios este avance?

El plan de los científicos es que este sistema sea de utilidad en los hogares y también en almacenes y centros de logística, donde abundan objetos cuyas propiedades no se identifican en un primer acercamiento. Podríamos llamarlos “elementos impredecibles”.

Los especialistas involucrados en este desarrollo comparten el siguiente ejemplo: una máquina podría mover cajas que tienen diferentes cantidades de alimentos en su interior, sin ver sus interiores. También mencionan este caso: que un brazo mecánico tome una zanahoria y la corte eficiente y sutilmente.

En las pruebas realizadas en laboratorio, el brazo robótico dotado con el superpoder de este sistema recogió con éxito las cajas en 19 de 20 intentos.

Según el investigador del MIT CSAIL Michael Noseworthy, no es prudente asumir que las máquinas conocen toda la información necesaria. Al respecto, el experto señaló: “Sin humanos que etiqueten las propiedades de un objeto, los robots tradicionalmente requieren de un costoso proceso de inferencia”. En ese sentido, el autor principal del estudio, Seiji Shaw, comentó: “Nuestro modelo ayuda a los robots a hacer esto de manera mucho más eficiente, permitiéndoles imaginar qué agarres informarán el mejor resultado”.

El comentario de Chad Kessens, integrante del Laboratorio de Investigación del Ejército de Estados Unidos, que patrocinó esta investigación, es conclusivo. “Para sacarlos de los entornos controlados como los laboratorios y llevarlos al mundo real, los robots deben ser mejores en el manejo de lo desconocido”.

Recientemente, el equipo de investigadores presentó este trabajo en la Conferencia Internacional IEEE sobre Robótica y Automatización.