Imagínese para un momento en el que tenga ventosas para las yemas de los dedos, a menos que esté tomando alucinógenos, en cuyo caso no debería imaginarlo. Cada ventosa tiene un tamaño y flexibilidad diferentes, lo que hace que la punta de un dedo sea ideal para pegarla en una superficie plana como el cartón, otra más adecuada para algo redondo como una pelota, otra mejor para algo más irregular, como una maceta. Por sí solo, cada dígito puede estar limitado en las cosas que puede manejar. Pero juntos, pueden trabajar en equipo para manipular una variedad de objetos.
Esta es la idea detrás de Ambi Robotics, una startup desarrollada en laboratorio que hoy está emergiendo del modo sigiloso con robots de clasificación y un sistema operativo para ejecutar tales máquinas manipuladoras. Los fundadores de la empresa quieren poner a los robots a trabajar en trabajos que cualquier máquina racional debería aterrorizar: recoger objetos en almacenes. Lo que les resulta tan fácil a las personas, agarrar cualquier objeto que no sea demasiado pesado, es en realidad una pesadilla para los robots. Después de décadas de investigación en laboratorios de robótica de todo el mundo, las máquinas aún no tienen ni cerca nuestra destreza. Pero quizás lo que necesiten sean ventosas para las yemas de los dedos.
Ambi Robotics surgió de un proyecto de investigación de la Universidad de California en Berkeley llamado Dex-Net que modela cómo los robots deben agarrar objetos ordinarios. Piense en ello como la versión robótica de cómo los científicos informáticos construyen IA de reconocimiento de imágenes. Para entrenar a las máquinas para que reconozcan, digamos, un gato, los investigadores primero tienen que construir una base de datos de montones y montones de imágenes que contienen felinos. En cada uno, dibujarían un cuadro alrededor del gato para enseñarle a la red neuronal: Mira, esto de aquí es un gato. Una vez que la red había analizado una gran cantidad de ejemplos, podía "generalizar", reconociendo automáticamente a un gato en una nueva imagen que nunca antes había visto.
Dex-Net funciona de la misma manera, pero para pinzas robóticas. Trabajando en un espacio simulado, los científicos crean modelos 3D de todo tipo de objetos, luego calculan dónde un robot debe tocar cada uno para obtener un agarre "robusto". Por ejemplo, en una bola, querrás que el robot se agarre alrededor del ecuador, no intente pellizcar uno de los polos. Eso suena obvio, pero los robots necesitan aprender estas cosas desde cero. “En nuestro caso, los ejemplos no son imágenes, sino objetos en 3D con puntos de agarre robustos en ellos”, dice el roboticista de UC Berkeley Ken Goldberg, quien desarrolló Dex-Net y cofundó Ambi Robotics. "Luego, cuando introdujimos eso en la red, tuvo un efecto similar, que comenzó a generalizarse a nuevos objetos". Incluso si el robot nunca antes había visto un objeto en particular, podría recurrir a su entrenamiento con una galaxia de otro objetos para calcular la mejor manera de agarrarlo.
Considere la grotesca taza de café de cerámica que hizo en la clase de arte en la escuela primaria. Es posible que hayas elegido darle forma de una manera absurda, pero lo más probable es que te hayas acordado de darle una manija. Cuando se lo entregaste a tus padres y fingieron que les gustaba, lo agarraron por el asa; ya habían visto una buena cantidad de tazas de café fabricadas profesionalmente, por lo que ya sabían cómo agarrarlo. El sistema operativo de robot de Ambi Robotics, AmbiOS, es el equivalente a esa experiencia previa, solo para robots.
La guía Mundo Informático de robots
“Como seres humanos, podemos inferir realmente cómo tratar con ese objeto, aunque no se parece a ninguna taza que se haya hecho antes”, dice Stephen McKinley, cofundador de Ambi Robotics. "El sistema puede razonar sobre cómo se ve el resto de ese objeto, para saber que si capta esa parte, puede asumir razonablemente que es una comprensión decente".
Otras noticias que te pueden interesar