Investigadores de todo el mundo ahora están entrenando a agentes robóticos para ayudar a los humanos en una variedad de tareas manuales, incluyendo cocinar y mover objetos. Si bien muchos de estos robots han logrado resultados prometedores, la mayoría de ellos todavía no pueden completar las tareas que se les asignan tan rápido como lo haría un ser humano.

Por ejemplo, la mayoría de los robots entrenados para buscar objetos y llevarlos a los humanos son bastante lentos para cumplir con las solicitudes de los usuarios, lo que los hace difíciles de implementar a gran escala. Esto se debe principalmente a que entrenar agentes artificiales en tareas de manipulación puede ser muy desafiante. ya que estas tareas tienden a involucrar tanto la percepción como la planificación, que juntos pueden prevenir colisiones mientras el robot se mueve en su entorno circundante.

Investigadores del Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST) han creado recientemente M-Hubo, un robot humanoide con ruedas que completa tareas diarias sencillas más rápido que otros robots desarrollados anteriormente. El nuevo robot presentado en un artículo prepublicado en arXiv, puede resultar particularmente útil para ayudar a las personas mayores y a las personas que tienen dificultades para caminar por la casa o completar las tareas básicas de forma independiente.

"Desarrollamos un nuevo sistema de mayordomo robótico totalmente autónomo para un humanoide con ruedas, "escribieron los investigadores en su artículo". En este trabajo, nos centramos en una aplicación particular para el robot de servicio:buscar y servir bebidas a velocidades similares a las de los humanos en un entorno interior estático ".

Para obtener correctamente un objeto determinado y entregárselo a un usuario humano, Los robots de servicio primero deben poder detectar lo que está sucediendo en su entorno circundante en tiempo real, generando trayectorias de movimiento que evitan colisiones con objetos cercanos. Esto puede ser muy difícil de lograr, particularmente en situaciones donde el entorno es dinámico (es decir, cambiando continuamente) o cuando su estructura es desconocida para el robot.

Para abordar este desafío, El grupo de investigación de KAIST desarrolló una nueva estrategia de diseño que implica la integración de una tubería de detección de objetos en 3-D con un planificador de manipulación cinemáticamente óptimo. Se descubrió que esta estrategia única reduce la cantidad de tiempo que necesita el robot M-Hubo para buscar una bebida para un usuario humano. aumentando la velocidad a la que procesó la información sobre su entorno y las trayectorias planificadas.

"El sistema propuesto funcionó al 24 por ciento de la velocidad que un ser humano necesita para realizar la misma tarea, "escribieron los investigadores en su artículo." El sistema demostró una alta tasa de éxito del 90 por ciento en la configuración de nuestro entorno, pero reflejó un rendimiento reducido del 80 por ciento de tasa de éxito en una exhibición pública más dinámica debido a las variaciones ambientales durante el tiempo de ejecución ".

Los investigadores de KAIST han evaluado y presentado recientemente su sistema de mayordomo robótico en una exposición pública. En el futuro, la estrategia de diseño en el núcleo de M-Hubo podría informar el desarrollo de nuevos robots de servicio que pueden completar tareas simples de manera más rápida y eficiente. Además, una vez perfeccionado, M-Hubo podría resultar una herramienta particularmente útil para brindar asistencia básica a las personas mayores, así como otras personas con movilidad reducida.

En sus próximos estudios, los investigadores quisieran agregar un componente de localización al robot, ya que esto le permitiría buscar objetos rápidamente tanto en entornos estáticos como dinámicos. Para lograr esto, tendrían que equipar al robot con una herramienta para la planificación dinámica de rutas y un planificador de tareas de alto nivel, sustituyendo la máquina de estado finito simple (FSM) que usaron en la versión de demostración de M-Hubo.

"Además, Las estrategias de aprendizaje podrían utilizarse en el futuro para reducir las fallas. incertidumbres y estados inseguros, para aumentar en última instancia la tasa de éxito, "escribieron los investigadores". Por último, el tiempo total de ejecución puede reducirse aún más incluso en entornos dinámicos mediante la incorporación de planificadores de movimiento de muestreo más rápidos ".

© 2020 Science X Network