Robots, cada día más cerca de realizar tareas domésticas

El MIT Technology Review reveló que un equipo de investigadores de la Universidad de Nueva York ha desarrollado un nuevo sistema que puede enseñar a los robots a realizar tareas domésticas en unos 20 minutos.

El sistema, llamado Dobb-E, utiliza un iPhone montado en un palo para recopilar datos de movimiento, profundidad y rotación de las personas que realizan las tareas. Luego estos datos se utilizan para entrenar un modelo de inteligencia artificial que indica al robot cómo realizar las acciones.

Los investigadores probaron el sistema con un robot comercial llamado Stretch. Este robot completó 109 tareas domésticas en diez hogares de Nueva York durante 30 días y obtuvo una tasa de éxito del 81 por ciento.

Según relata el artículo del MIT Technology Review, Dobb-E tardó unos 20 minutos en aprender cada tarea: cinco minutos de demostración por parte de un humano con el palo y el iPhone enganchado, seguidos de 15 minutos de ajuste en los que el sistema comparaba su entrenamiento previo con la nueva demostración.

Una vez completada la puesta a punto, el robot fue capaz de realizar tareas sencillas, como verter una taza, abrir persianas y cortinas de ducha o sacar cajas de juegos de mesa de una estantería. También realizó varias acciones seguidas, como meter una lata en una bolsa de reciclaje y luego levantar la bolsa.

Sin embargo, el sistema Dobb-E aún tiene algunas limitaciones. Por ejemplo, puede tener dificultades para realizar tareas en entornos con superficies reflectantes, como espejos. Esta investigación representa un progreso significativo para el campo de la robótica doméstica y los investigadores creen que Dobb-E podría ayudar a los robots a superar uno de sus mayores retos: la falta de datos de entrenamiento.

¿Por qué faltan datos para entrenar a los robots domésticos?

Para entrenar a un robot se necesitan datos que le enseñen cómo realizar una tarea determinada y en el caso de los robots domésticos, estos datos deben recopilarse físicamente, lo que puede ser un proceso laborioso y costoso.

Por ejemplo, para entrenar a un robot para que abra una puerta, se necesitaría recopilar datos de personas que abran puertas en diferentes condiciones: puertas de diferentes tamaños y materiales, puertas que estén cerradas o abiertas, y puertas que estén ubicadas en diferentes lugares.

Además debe ser en un entorno real, porque los datos recopilados en un laboratorio pueden no ser representativos de las condiciones reales de un hogar, un robot entrenado en un laboratorio puede tener dificultades para abrir una puerta que esté obstruida por muebles o que esté ubicada en un lugar estrecho.

Una solución a este problema es utilizar un sistema de aprendizaje autosupervisado, el cual les permite a los robots aprender a realizar tareas sin necesidad de que se les proporcionen datos etiquetados, como en el caso del sistema Dobb-E.

Robots aspiradoras: los más exitosos hasta el momento

Los robots aspiradores son los únicos robots domésticos que hasta la fecha han tenido un éxito comercial significativo. Esto se debe a que son relativamente fáciles de diseñar y fabricar, porque su función principal, aspirar, es relativamente sencilla, no interactúan con los objetos del hogar sino que simplemente los evitan y esto los hace menos propensos a sufrir daños o a causar daños a la propiedad.

Los robots domésticos que realizan tareas más complejas, como limpiar ventanas o recoger objetos, son mucho más difíciles de diseñar y fabricar. Esto se debe a que deben tener sensores y software más sofisticado para interactuar con el entorno de forma segura y eficaz. Es por ello que el equipo de investigación de la Universidad de Nueva York, espera que Dobb-E ayude a desarrollar robots domésticos capaces de realizar una gama más amplia de tareas. Si esto ocurre, los robots domésticos podrían convertirse en una parte muy habitual de nuestras vidas.