Robot puede pelar un plátano gracias al aprendizaje automático

Manipular frutos rojos es un desafío para los robots, pero un sistema de aprendizaje automático pudo conquistar la tarea al imitar cómo lo hace una persona.

Por Chris Stokel-Walker

24 marzo 2022

Un robot entrenado por aprendizaje automático que imita a un demostrador humano puede pelar con éxito un plátano sin romperlo en pedazos.

El manejo de frutos rojos es un desafío para los robots, que a menudo carecen de la destreza y el toque matizado para procesar artículos sin destruirlos. La forma desigual de la fruta, que puede variar significativamente incluso con el mismo tipo de fruta, también puede desconcertar a los algoritmos de visión por computadora que a menudo actúan como el cerebro de tales robots.

Heecheol Kim de la Universidad de Tokio y sus colegas han desarrollado un sistema de aprendizaje automático que alimenta un robot, que tiene dos brazos y manos que agarran entre dos "dedos".

Anuncio

Primero, un humano que operaba el robot peló cientos de plátanos, creando 811 minutos de datos de demostración para entrenar al robot para que lo hiciera solo. La tarea se dividió en nueve etapas, desde agarrar la banana hasta levantarla de la mesa con una mano, agarrar la punta con la otra mano, pelarla y luego mover la banana para quitarle el resto de la piel.

Para movimientos amplios que es poco probable que dañen el plátano, el modelo de aprendizaje automático traza una trayectoria, imitando lo que hace un humano sin pensar mucho. Pero cuando se requieren los brazos para manipular con precisión el plátano, el sistema cambia a un enfoque reactivo, donde responde a cambios inesperados en su entorno.

En las pruebas, el robot pudo pelar con éxito un plátano el 57 por ciento de las veces. Todo el proceso lleva menos de 3 minutos.

El robot pelador de bananas

Heecheol Kim, Universidad de Tokio

"Lo que es realmente interesante en este caso es que el proceso que usa un humano se ha trasladado al entrenamiento del sistema robótico a través del aprendizaje de imitación profunda", dice Jonathan Aitken de la Universidad de Sheffield, Reino Unido.

Kim dice que su enfoque es eficiente en datos porque utiliza 13 horas de datos de entrenamiento en lugar de cientos o miles de horas. "Todavía requiere una gran cantidad de GPU costosas [unidades de procesamiento de gráficos], pero al usar nuestra estructura, podemos reducir la gran cantidad de cómputo [requerido]", dice.

A Aitken le gustaría ver cómo el robot maneja la fruta que está más deforme. Pero con un control motor más fino, podría funcionar aún mejor, dice. Sin embargo, la tecnología no se usará simplemente para los plátanos: el objetivo es entrenar un sistema que pueda manejar de manera más general tareas que requieren habilidades motoras finas.

Referencia:arxiv.org/abs/2203.09749

Temas:

Anuncio