Ispirarsi al regno animale per aiutare i robot a rimettersi in piedi
Anche dopo 50 anni di ricerca, la maggior parte dei robot sono più fragili rispetto agli animali più piccoli e semplici; in breve, possono facilmente smettere di funzionare se incontrano condizioni difficili o fanno un capitombolo inaspettato. Affinché i robot si inseriscano maggiormente nelle società umane e siano utili in situazioni di emergenza, devono superare la loro intrinseca fragilità. È qui che entra in gioco il progetto ResiBots (Robots with animal-like resilience). «L’obiettivo del nostro progetto era quello di sviluppare nuovi algoritmi che permettessero ai robot di riprendersi in modo autonomo e rapido senza dover anticipare ogni possibile condizione di danno», ha dichiarato Jean-Baptiste Mouret, ricercatore principale del progetto. «Questo è particolarmente importante quando si tratta di danni meccanici molto impegnativi da diagnosticare con i sensori di bordo: la nostra visione è quella di sviluppare robot che abbiano la capacità di “improvvisare” quando devono completare una missione difficile.»
Una nuova prospettiva
Questa visione è in diretto contrasto con l’attuale approccio alla tolleranza ai guasti, ereditata dai sistemi critici per la sicurezza (come per le navicelle spaziali o le centrali nucleari). Si tratta di un approccio inappropriato per i robot autonomi a basso costo perché si basa su procedure di diagnosi, che richiedono costosi sensori propriocettivi e piani di emergenza e non possono coprire tutte le possibili situazioni che un robot che opera da solo può incontrare. «Nel complesso, l’idea generale è quella di sfruttare una simulazione del robot “intatto” per accelerare l’adattamento per un robot con danni sconosciuti», spiega Mouret. Gli algoritmi sviluppati da Mouret e dal suo team aggirano il vecchio stile di pensiero, in quanto sono specificamente progettati per l’adattamento efficiente dei dati nella robotica. «Abbiamo abitualmente robot che imparano a camminare davanti ai nostri occhi, in pochi minuti, rispetto alle ore o addirittura ai giorni necessari in precedenza», aggiunge Mouret. «Questi erano davvero i tipi di robot che sognavo quando ero bambino!»
Dalla diagnosi al rinforzo
È importante per il progetto che questo primo risultato utilizzi «l’apprendimento episodico», il che significa che ogni prova inizia esattamente nella stessa posizione. Un algoritmo più recente permette al robot di apprendere in modo indipendente senza alcun reset, tenendo conto del suo ambiente. «Non c’è motivo che il robot provi un’andatura che lo faccia avanzare se sappiamo che c’è un ostacolo in mezzo», osserva Mouret. Grazie ai recenti progressi nell’apprendimento profondo, le macchine sono ora in grado di comprendere meglio l’ambiente circostante rispetto ai loro antenati. «Tuttavia, se vogliamo robot che possano davvero imparare nuove competenze e mansioni, dovremo utilizzare algoritmi di rinforzo e non solo algoritmi di percezione», commenta Mouret. «Perché ciò avvenga, dobbiamo renderli più efficienti dal punto di vista dei dati prima che possano essere impiegati al di fuori dei laboratori di ricerca.» Mouret è ottimista sul fatto che ciò possa avvenire entro i prossimi 15 anni.
Uno sguardo al futuro
Mouret e il suo team hanno intenzione di continuare la loro ricerca anche dopo la fine ufficiale del progetto nell’aprile 2020. «Attualmente, stiamo lavorando per introdurre l’apprendimento efficiente dei dati nella robotica umanoide; i robot umanoidi sono la “prossima frontiera” della robotica perché combinano tutte le sfide della robotica allo stesso tempo», afferma Mouret. Mentre nessun robot umanoide sta attualmente utilizzando l’apprendimento efficiente dei dati per adattarsi ai cambiamenti del suo ambiente, Mouret e il suo team vogliono essere in prima linea per cambiare questa situazione.
Parole chiave
ResiBot, robot, algoritmi, apprendimento episodico, efficienza dei dati, adattamento, camminata, andatura, danno, resilienza
