Los robots que caminan pueden realizar tareas recordando movimientos
Calcular los movimientos de los robots es sumamente complejo, y hacerlo para robots con brazos y piernas que se mueven en un entorno no estructurado resulta todavía más difícil. El robot debe reaccionar rápido a los estímulos registrados por sus sensores y aplicar esto a nuevas situaciones basándose en decisiones óptimas. «Esos robots son muy inestables. Cuando un robot bípedo no toma la decisión adecuada, puede caerse y, probablemente, dañarse», afirma el coordinador del proyecto MEMMO, Nicolas Mansard, experto en robótica y director de investigación en el Centro Nacional de Investigación Científica (CNRS) en Toulouse (Francia). «Para que un robot que camina reaccione ante una situación en tiempo real, necesita resolver un problema numérico con diez mil variables en un milisegundo, y eso está muy por encima del alcance de lo que la inteligencia artificial puede hacer hoy en día —explica Mansard—. Inventamos Memory of Motion para afrontar este gran desafío».
Demasiadas variables para elegir
Se generó fuera de línea una gran cantidad de movimientos óptimos precalculados que se comprimió en una base de datos de posibles reacciones llamada «Memory of Motion». Para formar esta biblioteca de movimientos, el robot se entrena fuera de línea en diferentes entornos simulados. «Usamos los mejores planificadores de movimiento disponibles para reducir el tiempo de exploración [de la base de datos] y mejorar la calidad de los datos generados, y empleamos el aprendizaje automático para codificarlos en una memoria de movimientos, que ocupa menos espacio de almacenamiento. Luego, adaptamos de manera óptima un movimiento candidato de la memoria a situaciones similares que no han sido estudiadas explícitamente», destaca Mansard. Esto se conoce como «generalización». Mientras camina, el robot reconoce una nueva situación en al instante a través de sus sensores. A continuación, selecciona una reacción adecuada de su memoria y la optimiza utilizando sus habilidades de predicción. «En línea, utilizamos Memory of Motion para guiar a un “solucionador de optimización” que toma la decisión final sobre las formas en que el robot debe comportarse para mantener su equilibrio, caminar, manipular alguna herramienta y otras cuestiones», añade Mansard. «Esta forma de generar movimientos en los robots es una idea novedosa que desarrollamos desde cero».
Validación en tres escenarios robóticos
El equipo de MEMMO utilizó un robot humanoide de alto rendimiento para llevar a cabo tareas de manejo de herramientas para la fabricación de aeronaves con el socio del consorcio Airbus en Toulouse (Francia). «En el proyecto de demostración, el robot pudo caminar por una fábrica, ir al área de montaje y usar una versión simplificada de una tarea en la que debía manejar herramientas», señala Mansard. En un segundo ejemplo, se proporcionó un exoesqueleto avanzado para caminar a un paciente parapléjico en un centro de rehabilitación bajo supervisión médica para ayudar a dicho paciente a volver a caminar. Durante el proyecto, esto se convirtió en un producto maduro, que ya pueden encargar los centros médicos con el objetivo de, en última instancia, utilizar el exoesqueleto en un entorno doméstico. Por último, se probó con un robot cuadrúpedo capaz de caminar dentro de un túnel en excavación o en edificios que van a ser derribados. «Nos interesa ver lo que está sucediendo, en especial en una zona de peligro a la que no queremos enviar a seres humanos», afirma Mansard. Se probó utilizando un robot de inspección industrial comercial ya existente de una empresa llamada ANYbotics en Suiza. Su robot ANYmal ya está a la venta.
Una solución genérica
Se utiliza el mismo generador de movimiento en los tres robots, muy diferentes entre sí. «Pudimos hacerlo basándonos en los avances en optimización numérica y en aprendizaje automático, y combinando ambos». A lo que añade: «No suelen usarse juntos». «No es para todos los posibles problemas de movimiento, al menos no todavía. Sin embargo, es muy genérico y va mucho más allá que los modelos anteriores», concluye Mansard.
Palabras clave
MEMMO, robots, robótica, generador de movimiento, humanoide, Airbus, exoesqueleto, parapléjico, rehabilitación, cuadrúpedo, ANYbotics, ANYmal
