Un modelo inventado por el MIT optimiza de manera eficiente y simultánea el control y el diseño de «soft robots» con cuerpos elásticos y flexibles para tareas específicas, lo que tradicionalmente ha sido una tarea monumental en la computación. El modelo, por ejemplo, fue significativamente más rápido y preciso que los métodos de vanguardia para simular cómo deben moverse los robots cuadrúpedos para llegar a los destinos objetivo.

Los soft robots tienen cuerpos elásticos, flexibles y elásticos que pueden moverse esencialmente por un número infinito de formas en cualquier momento. Computacionalmente, esto supone una «representación de estado» altamente compleja, que describe cómo se mueve cada parte del robot. Las ‘representaciones predictivas de estado’ para soft robots pueden tener potencialmente millones de dimensiones, lo que dificulta el cálculo acerca de la forma óptima de hacer que un robot complete tareas complejas.
En la Conferencia sobre Sistemas de Procesamiento de Información Neural, celebrada en diciembre 2019, los investigadores del MIT presentaron un modelo que aprende una ‘representación predictiva de estado’ compacta o «de baja dimensión» pero detallada, basada en la física subyacente del robot y su entorno, entre otros factores. Esto ayuda al modelo a optimizar de forma iterativa los parámetros de control de movimiento y diseño de materiales para tareas específicas.

Los investigadores del MIT han inventado una forma de optimizar de manera eficiente el control y el diseño de soft robots para tareas objetivo, que tradicionalmente ha sido una tarea monumental en la computación.

«Los soft robots son criaturas de dimensiones infinitas que se doblan en mil millones de formas diferentes en un momento dado«, dice el primer autor Andrew Spielberg, un estudiante graduado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL). “Pero, en realidad, hay formas naturales con las que es probable que los objetos blandos se doblen. Encontramos que los estados naturales de los soft robots se pueden describir de manera muy compacta en una descripción de baja dimensión. Optimizamos el control y el diseño de soft robots aprendiendo una buena descripción de los estados probables».

Robots que se mueven más rápido y preciso

En las simulaciones, el modelo permitió que los soft robots de 2D y 3D completaran tareas, como moverse a ciertas distancias o alcanzar un punto objetivo de forma más rápida y precisa que los métodos de vanguardia actuales. Luego, los investigadores planean implementar el modelo en soft robots reales.

Junto a Spielberg, en el estudio están los estudiantes graduados de CSAIL, Allan Zhao, Tao Du y Yuanming Hu; Daniela Rus, directora de CSAIL y profesora de Ingeniería Eléctrica e Informática Andrew y Erna Viterbi; y Wojciech Matusik, profesor asociado del MIT en ingeniería eléctrica e informática y jefe del Grupo de Fabricación Computacional.

Soft Robots aprendiendo en bucle

La soft robótica es un campo de investigación relativamente nuevo, pero es prometedor para la robótica avanzada. Por ejemplo, los cuerpos flexibles podrían ofrecer una interacción más segura con los humanos, una mejor manipulación de objetos y mayor maniobrabilidad, entre otros beneficios.

El control de los robots en las simulaciones se basa en un «observador», un programa que calcula variables que ven cómo se mueve el robot blando para completar una tarea.

En trabajos anteriores, los investigadores descompusieron el soft robot en grupos de partículas simuladas diseñados a mano. Las partículas contienen información importante que ayuda a reducir los posibles movimientos del robot. Si un robot intenta doblarse de cierta manera, por ejemplo, los actuadores pueden resistir ese movimiento lo suficiente como para ignorarlo. Pero, para robots tan complejos, elegir manualmente qué grupos rastrear durante las simulaciones puede ser complicado.

A partir de ese trabajo, los investigadores diseñaron un método de «optimización de aprendizaje en el bucle», donde todos los parámetros optimizados se aprenden durante un solo bucle de retroalimentación en muchas simulaciones. Y, al mismo tiempo que la optimización del aprendizaje, o «en el bucle», el método también aprende la ‘representación predictiva de estado’.

El modelo emplea una técnica llamada ‘Método de punto de material’ (MPM) que simula el comportamiento de partículas de materiales continuos, como espumas y líquidos, rodeadas por una cuadrícula de fondo. Al hacerlo, captura las partículas del robot y su entorno observable en píxeles o píxeles 3D, conocidos como ‘vóxeles’, sin la necesidad de ningún cálculo adicional.

En una fase de aprendizaje, esta información de cuadrícula de partículas sin procesar se alimenta a un componente de aprendizaje automático que aprende a ingresar una imagen, a comprimirla en una representación de baja dimensión y a descomprimir la representación nuevamente en la imagen de entrada. Si este «codificador automático» retiene suficientes detalles al comprimir la imagen de entrada puede recrear con precisión la imagen de entrada de la compresión.

En el trabajo de los investigadores, las representaciones comprimidas aprendidas del autoencoder sirven como ‘representación predictiva de estado’ de baja dimensión del robot.

En una fase de optimización, esa representación comprimida regresa al controlador, lo que genera una actuación calculada de cómo cada partícula del robot debe moverse en el siguiente paso simulado a través del MPM.

Simultáneamente, el controlador utiliza esa información para ajustar la rigidez óptima de cada partícula y lograr el movimiento deseado. En el futuro, esa información de material puede ser útil para los soft robots de impresión 3D, donde cada punto de partículas puede imprimirse con una rigidez ligeramente diferente. «Esto permite crear diseños de robots atendiendo a los movimientos del robot que serán relevantes para tareas específicas», dice Spielberg. «Al comprender estos parámetros juntos, mantiene todo lo más sincronizado posible para facilitar el proceso de diseño».

Optimización más rápida

Toda la información de optimización es, a su vez, retroalimentada al comienzo del ciclo para entrenar al autoencoder. Durante muchas simulaciones, el controlador aprende el movimiento óptimo y el diseño del material, mientras que el autoencoder aprende la ‘representación predictiva de estado’ cada vez más detallada. «La clave es que queremos que ese estado de baja dimensión sea muy descriptivo», dice Spielberg.

Después de que el robot alcanza su estado final simulado durante un período de tiempo determinado, por ejemplo, lo más cerca posible del destino objetivo, actualiza una «función de pérdida». Ese es un componente crítico del aprendizaje automático que trata de minimizar algunos errores. En este caso, minimiza, por ejemplo, qué lejos se detuvo el robot del objetivo. Esa función de pérdida fluye de regreso al controlador, que utiliza la señal de error para ajustar todos los parámetros optimizados para completar mejor la tarea.
Si los investigadores intentan alimentar directamente todas las partículas en bruto de la simulación al controlador sin el paso de compresión, «el tiempo de ejecución y optimización explotaría», dice Spielberg. Utilizando la representación comprimida, los investigadores pudieron disminuir el tiempo de ejecución para cada iteración de optimización de varios minutos a unos 10 segundos.

Los investigadores validaron su modelo en simulaciones de varios robots bi y cuadrúpedos de 2D y 3D. Los investigadores también descubrieron que, si bien los robots que utilizan métodos tradicionales pueden llegar hasta 30,000 simulaciones para optimizar estos parámetros, los robots entrenados en su modelo solo tomaron alrededor de 400 simulaciones.

«Nuestro objetivo es permitir saltos cuánticos en la forma en que los ingenieros van desde la especificación hasta el diseño, la creación de prototipos y la programación de soft robots. En este documento, exploramos el potencial de co-optimizar el cuerpo y el sistema de control de un soft robot que puede conducir creación rápida de robots de cuerpo blando personalizados para las tareas que tienen que hacer «, dice Rus.

Implementar el modelo en soft robots reales significa abordar los problemas con el ruido y la incertidumbre del mundo real que pueden disminuir la eficiencia y la precisión del modelo. Pero, en el futuro, los investigadores esperan diseñar una tubería completa, desde la simulación hasta la fabricación, para soft robots.

Fuente: MIT