Los robots humanoides caminan bien en entornos preparados, pero pierden el equilibrio con superficies resbaladizas, cargas cambiantes o empujones. El problema es que el controlador debe reaccionar a cambios que no estaban en sus datos de entrenamiento.
Un equipo de la Universidad de Michigan presentó PRISM, un módulo que se conecta a la entrada de la red neuronal que controla al robot.
Conceptos clave: cómo aprende un robot a caminar
Muchos controladores modernos se entrenan con aprendizaje por refuerzo: el robot prueba acciones en un simulador y recibe premios por avanzar sin caer. Luego se transfiere lo aprendido al robot real.
La diferencia entre el simulador y el mundo real se llama brecha simulación-realidad. Es uno de los problemas centrales de la robótica, porque el fricción, la masa y el contacto nunca coinciden del todo.
Cómo aprende PRISM
PRISM son las siglas de Polynomial Representations for Interaction-Structured Motor Control. En lugar de dejar que la red aprenda por fuerza bruta las interacciones entre variables, las representa de forma explícita.
Esas variables incluyen posiciones y velocidades de las articulaciones, las acciones previas y la velocidad deseada al caminar.
Qué resultados reporta
En simulaciones de caminata humanoide, el sistema completó el 92,5 % de los ensayos de 24 segundos sin caerse. Una red convencional de tipo perceptrón multicapa logró el 51 %.
Una red convencional ampliada hasta igualar el número de parámetros de PRISM llegó al 52,3 %, así que la mejora no se debe solo al tamaño. Según la universidad, la ventaja se mantuvo al cambiar la fricción, la masa y la carga, sin reentrenar la red.
Por qué puede interesar a la robótica
El módulo sustituye la primera capa de procesamiento del estado del robot, así que puede incorporarse a sistemas existentes sin cambiar sus sensores ni su entrenamiento. Esa compatibilidad es una de sus ventajas prácticas.
Rigor científico y estado de la investigación
Los resultados de marcha son de simulación. El texto presentado no demuestra que un robot real camine con la misma fiabilidad en la calle o en un entorno caótico.
Tampoco encontré datos publicados sobre una prueba física equivalente con un brazo robótico. Antes de hablar de uso real, hacen falta pruebas en hardware y en entornos no controlados.
Desenlace
PRISM apunta a una forma más sencilla de mejorar el control de robots sin rehacer todo el sistema. Su valor dependerá de que las mejoras se confirmen en robots reales y en condiciones que no se parezcan a las de entrenamiento.