Un robusto Un robot adaptable que responde a su entorno sobre la marcha y supera obstáculos como una pierna rota sin intervención humana podría usarse para rescatar personas de una zona de terremoto o limpiar sitios que son demasiado peligrosos para los humanos.

Es parte de un campo de trabajo que consiste en construir máquinas que pueden proporcionar ayuda en tiempo real utilizando solo datos limitados como entrada. Los algoritmos estándar de aprendizaje automático a menudo necesitan procesar miles de posibilidades antes de decidirse por una solución. lo que puede resultar poco práctico en escenarios presurizados donde la adaptación rápida es fundamental.

Después del desastre nuclear de Fukushima en Japón en 2011, por ejemplo, Se enviaron robots a la planta de energía para limpiar los desechos radiactivos en condiciones demasiado peligrosas para los humanos. El problema, Según el investigador de robótica, el profesor Jean-Baptiste Mouret, los robots seguían descomponiéndose o se encontraban con peligros que los detenían en seco.

Como parte de la iniciativa ResiBots, Está diseñando un robot de menor costo que puede durar largos períodos sin necesidad de mantenimiento humano constante por roturas y es mejor para superar obstáculos inesperados.

El equipo de ResiBots está utilizando lo que se conoce como algoritmos de aprendizaje de microdatos, lo que puede ayudar a los robots a adaptarse frente a los ojos de una manera similar a como reaccionan los animales a los problemas. Un animal lo hará por ejemplo, a menudo encuentran una manera de seguir moviéndose si se lesionan, incluso si no saben exactamente cuál es el problema.

A diferencia de, la mayoría de los robots actuales autodiagnostican un problema antes de encontrar una forma de solucionarlo, dice el profesor Mouret, investigador principal en ResiBots e investigador senior en el centro de investigación Inria en Francia.

"Estamos tratando de atajar esto encontrando una manera de que reaccionen sin necesariamente haber desarrollado una comprensión de lo que está mal, " él dijo.

En lugar de autodiagnosticarse, El objetivo de estos robots es aprender de forma proactiva mediante ensayo y error qué acciones alternativas pueden realizar. Esto podría ayudarlos a superar las dificultades y evitar que se apaguen en situaciones como situaciones de desastre como Fukushima, dijo el profesor Mouret.

Puede que esto no sea inteligencia artificial completa, pero el profesor Mouret señala que tener conocimiento de todo no es esencial para que un robot funcione.

"No estamos tratando de resolver todo, ", dijo." Estoy más interesado en cómo pueden adaptarse y, De hecho, adaptarse a lo que está sucediendo es algo que hace que los animales sean inteligentes ".

Infancia simulada

En uno de los enfoques más prometedores desarrollados en el proyecto ResiBots, los robots tienen una infancia simulada, en el que aprenden diferentes formas de mover su cuerpo utilizando un algoritmo que busca con anticipación para recopilar ejemplos de comportamientos útiles.

Esto significa que al buscar una forma de moverse, los robots deben elegir entre aproximadamente 13, 000 comportamientos en lugar de un estimado de 10 ⁴⁷ opciones que los algoritmos estándar pueden seleccionar. Y el objetivo es que prueben solo algunos de estos antes de encontrar uno que funcione.

La mayoría de las pruebas de ResiBot se están llevando a cabo actualmente en un robot de seis patas que busca encontrar nuevas formas de moverse después de que le hayan quitado una o más patas. En los últimos ensayos, El profesor Mouret dijo que los robots aprendieron a caminar en uno o dos minutos después de que les quitaron una pierna. lo que significa que generalmente necesitan probar menos de 10 comportamientos antes de encontrar uno que funcione.

En total, los investigadores están trabajando en media docena de robots en diferentes niveles de complejidad, incluido un robot humanoide con apariencia de niño conocido como iCub. Aunque el iCub, mucho más complejo, aún no se utiliza en muchos ensayos, el equipo espera hacerlo más con el tiempo.

"Los humanoides tienen el potencial de ser muy versátiles y adaptarse bien a entornos diseñados para humanos, ", dijo el profesor Mouret." Por ejemplo, las plantas de energía nuclear tienen puertas, palancas y escaleras que fueron diseñadas para personas ".

Existen, sin embargo, algunos grandes desafíos aún por superar, incluido el hecho de que un robot debe volver a su posición inicial una vez que se quita una extremidad, en lugar de poder continuar desde el lugar de la lesión hacia el objetivo.

La seguridad

También hay problemas de seguridad más amplios que involucran a estos robots, por ejemplo, Asegurarse de que no dañen a los supervivientes del terremoto mientras los rescatan, particularmente si el robot está aprendiendo por ensayo y error, dijo el profesor Mouret.

Él cree que pasarán al menos cuatro o cinco años antes de que un robot de este tipo pueda usarse en el campo, pero tiene la esperanza de que las técnicas puedan emplearse eventualmente en todos los tipos de robots, no solo en situaciones de desastre, pero en el hogar y otros escenarios.

Pero no son solo las mecánicas las que pueden ayudar a los robots a navegar por el mundo real. Los robots también pueden adaptarse mejor si pueden conectar más el lenguaje con la realidad.

La profesora Gemma Boleda de la Universitat Pompeu Fabra en España, tiene experiencia en lingüística y su equipo está tratando de vincular la investigación en este campo con la inteligencia artificial para ayudar a las máquinas a comprender mejor el mundo que las rodea, como parte de un proyecto llamado AMORE.

Es algo que podría resultar útil para hacer que tecnologías como el GPS sean más inteligentes. Por ejemplo, al conducir en un coche, el sistema GPS podría especificar que gire a la derecha donde está 'el gran árbol', distinguiéndolo de varios otros árboles.

El profesor Boleda dice que esto ha sido difícil de hacer en el pasado debido a la dificultad de modelar la forma en que los humanos vinculan el lenguaje con la realidad.

"En el pasado, el idioma se había representado en gran medida fuera de contexto, "dijo el profesor Boleda.

El objetivo de AMORE es lograr que las computadoras comprendan palabras y conceptos en un contexto del mundo real en lugar de palabras individuales aisladas. ella dice. Por ejemplo, un robot aprendería a conectar la frase 'este perro' con un perro real en la habitación, representando tanto las palabras como las entidades del mundo real.

"El quid de estos modelos es que pueden aprender sus propias representaciones a partir de los datos, ", agregó." Antes, los investigadores tenían que decirle a la máquina cómo era el mundo ".

Darles a las máquinas una mejor comprensión del mundo que las rodea les ayudará a hacer `` más con menos '' en términos de la cantidad de datos que necesitan y mejorar en la predicción de resultados. Dijo el profesor Boleda.

También podría ayudar con el problema de tener suficiente espacio físico en dispositivos como teléfonos móviles para la próxima ola de aplicaciones inteligentes.

"Estoy trabajando con el lenguaje, pero este problema de necesitar una gran cantidad de datos es un problema que afecta a muchos otros dominios de la inteligencia artificial, ", dijo el profesor Boleda." Entonces, si desarrollo métodos que puedan hacer más con menos, entonces estos también se pueden aplicar en otros lugares ".