Enseñar nuevas habilidades a un robot solía requerir experiencia en programación. Pero una nueva generación de robots podría aprender de prácticamente cualquier persona.

Los ingenieros están diseñando asistentes robóticos que pueden aprender de la demostración. Esta estrategia de entrenamiento más natural permite a una persona guiar a un robot en una tarea, generalmente de una de estas tres maneras: por control remoto, como usar un joystick para maniobrar el robot a distancia; moviendo físicamente el robot a través de los movimientos; o realizando la tarea él mismo mientras el robot observa e imita.

Los robots que aprenden haciendo suelen entrenarse con solo uno de estos tres métodos de demostración. Sin embargo, ingenieros del MIT han desarrollado una interfaz de entrenamiento tres en uno que permite a un robot aprender una tarea mediante cualquiera de los tres métodos. La interfaz consiste en una herramienta portátil con sensores que se puede acoplar a muchos brazos robóticos colaborativos comunes. Una persona puede usar el accesorio para enseñar a un robot a realizar una tarea controlándolo remotamente, manipulándolo físicamente o demostrándola por sí misma, según el estilo que prefiera o se adapte mejor a la tarea en cuestión.

El equipo del MIT probó la nueva herramienta, a la que denominan "interfaz de demostración versátil", en un brazo robótico colaborativo estándar. Voluntarios con experiencia en fabricación utilizaron la interfaz para realizar dos tareas manuales habituales en las fábricas.

Los investigadores afirman que la nueva interfaz ofrece una mayor flexibilidad de entrenamiento que podría ampliar el tipo de usuarios y "profesores" que interactúan con los robots. También podría permitir que los robots adquieran un conjunto más amplio de habilidades. Por ejemplo, una persona podría entrenar remotamente a un robot para manipular sustancias tóxicas, mientras que más adelante en la línea de producción, otra persona podría mover físicamente al robot para realizar los movimientos de empaquetado de un producto, y al final de la línea, otra persona podría usar el accesorio para dibujar el logotipo de una empresa mientras el robot observa y aprende a hacer lo mismo.

“Buscamos formar compañeros de equipo altamente inteligentes y capacitados que puedan colaborar eficazmente con humanos para realizar tareas complejas”, afirma Mike Hagenow, investigador posdoctoral del Departamento de Aeronáutica y Astronáutica del MIT. “Creemos que las herramientas de demostración flexibles pueden ser útiles mucho más allá de la planta de fabricación, en otros ámbitos donde esperamos una mayor adopción de robots, como el hogar o los entornos de cuidado”.

Hagenow presentará un artículo que detalla la nueva interfaz en la conferencia IEEE Intelligent Robots and Systems (IROS) en octubre. Los coautores del artículo, pertenecientes al MIT, son Dimosthenis Kontogiorgos, investigador postdoctoral en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL); Yanwei Wang, PhD ´25, quien recientemente obtuvo un doctorado en ingeniería eléctrica e informática; y Julie Shah, profesora del MIT y jefa del Departamento de Aeronáutica y Astronáutica.

Entrenando juntos

El grupo de Shah en el MIT diseña robots que pueden colaborar con humanos en el lugar de trabajo, en hospitales y en casa. Uno de los principales objetivos de su investigación es desarrollar sistemas que permitan a las personas enseñar a los robots nuevas tareas o habilidades "en el trabajo", por así decirlo. Dichos sistemas, por ejemplo, ayudarían a un trabajador de fábrica a ajustar rápida y naturalmente las maniobras de un robot para mejorar su tarea en el momento, en lugar de tener que reprogramar el software del robot desde cero, una habilidad que un trabajador no necesariamente posee.

El nuevo trabajo del equipo se basa en una estrategia emergente en el aprendizaje robótico denominada "aprendizaje por demostración" o LfD, en la que los robots se diseñan para ser entrenados de forma más natural e intuitiva. Al revisar la literatura sobre LfD, Hagenow y Shah descubrieron que los métodos de entrenamiento LfD desarrollados hasta la fecha se clasifican generalmente en tres categorías principales: teleoperación, entrenamiento kinestésico y enseñanza natural.

Un método de entrenamiento puede funcionar mejor que los otros dos para una persona o tarea en particular. Shah y Hagenow se preguntaron si podrían diseñar una herramienta que combine los tres métodos para que un robot pueda aprender más tareas de más personas.

"Si pudiéramos combinar estas tres formas diferentes en las que alguien podría querer interactuar con un robot, podría traer beneficios para diferentes tareas y diferentes personas", dice Hagenow.

Tareas en cuestión

Con ese objetivo en mente, el equipo diseñó una nueva interfaz de demostración versátil (VDI). Esta interfaz es un accesorio portátil que se adapta al brazo de un brazo robótico colaborativo típico. Está equipado con una cámara y marcadores que rastrean la posición y los movimientos de la herramienta a lo largo del tiempo, además de sensores de fuerza para medir la presión aplicada durante una tarea.

Cuando la interfaz se conecta a un robot, este puede controlarse remotamente. La cámara de la interfaz graba sus movimientos, que el robot puede usar como datos de entrenamiento para aprender la tarea por sí solo. De igual forma, una persona puede mover físicamente al robot durante una tarea con la interfaz conectada. La VDI también puede desmontarse y sujetarse físicamente por una persona para realizar la tarea deseada. La cámara graba los movimientos de la VDI, que el robot también puede usar para imitar la tarea cuando se vuelve a conectar la VBI.

Para probar la usabilidad del accesorio, el equipo llevó la interfaz, junto con un brazo robótico colaborativo, a un centro de innovación local donde expertos en fabricación aprenden y prueban tecnología que puede mejorar los procesos de fabricación. Los investigadores organizaron un experimento en el que pidieron a voluntarios del centro que usaran el robot y los tres métodos de entrenamiento de la interfaz para completar dos tareas comunes de fabricación: ajuste a presión y moldeo. En el ajuste a presión, el usuario entrenó al robot para presionar y encajar clavijas en orificios, de forma similar a muchas tareas de fijación. Para el moldeo, un voluntario entrenó al robot para empujar y extender uniformemente una sustancia gomosa, similar a la masa, sobre la superficie de una varilla central, de forma similar a algunas tareas de termomoldeo.

Para cada una de las dos tareas, se pidió a los voluntarios que utilizaran cada uno de los tres métodos de entrenamiento: primero teleoperando el robot usando un joystick, luego manipulándolo cinestésicamente y, por último, separando el accesorio del robot y utilizándolo para realizar la tarea de forma “natural” mientras el robot registraba la fuerza y los movimientos del accesorio.

Los investigadores descubrieron que, en general, los voluntarios preferían el método natural a la teleoperación y el entrenamiento kinestésico. Los usuarios, todos expertos en manufactura, plantearon escenarios en los que cada método podría tener ventajas sobre los demás. La teleoperación, por ejemplo, podría ser preferible para entrenar a un robot en la manipulación de sustancias peligrosas o tóxicas. El entrenamiento kinestésico podría ayudar a los trabajadores a ajustar la posición de un robot encargado de mover paquetes pesados. Y la enseñanza natural podría ser beneficiosa para demostrar tareas que implican maniobras delicadas y precisas.

“Imaginamos usar nuestra interfaz de demostración en entornos de fabricación flexibles donde un robot podría asistir en diversas tareas que se benefician de tipos específicos de demostraciones”, afirma Hagenow, quien planea perfeccionar el diseño del accesorio basándose en los comentarios de los usuarios y utilizará el nuevo diseño para probar el aprendizaje robótico. “Consideramos que este estudio demuestra cómo se puede lograr una mayor flexibilidad en los robots colaborativos mediante interfaces que amplían las formas en que los usuarios finales interactúan con los robots durante la enseñanza”.

Este trabajo fue financiado, en parte, por el Programa de Becas Postdoctorales para la Excelencia en Ingeniería del MIT y la Beca de Investigación Postdoctoral de la Fundación Wallenberg.

​Autor​