Mira cómo se aleja el perro robot.
Trota. Entonces salta. Ningún humano le dice qué hacer. Simplemente cambia.
Ese es el PERRO KAIST. Pesa unos 45 kilogramos (100 libras) y se mueve con una fluidez que antes era imposible para máquinas de este tipo. Utiliza cámaras y lidar para observar el terreno que se encuentra delante. Luego toma un paso. Un trote constante por las partes planas. Una carrera rápida y saltadora hacia los huecos. Todo esto lo hace en tiempo real, ajustando sus patas sin pedir permiso.
Los investigadores lo demostraron en el exterior. Llevaron el robot a través de un campus universitario, aproximadamente 0,7 millas de pavimento. Luego lo enviaron al bosque. Un sendero de 0,2 millas cubierto de raíces, troncos y hojas resbaladizas. Se encargó de todo. Los detalles aparecieron en Science Robotics el 15 de julio.
Por qué es difícil
Los animales cambian su forma de caminar todo el tiempo. ¿Sabes cómo un perro reduce la velocidad para trotar sobre tierra áspera y luego salta sobre un palo cuando el camino se despeja? Se siente natural.
Hacerlo en un robot no es nada natural. Es complicado.
Por lo general, un trote y un salto se codifican mediante sistemas totalmente separados. Cambiar entre ellos crea un retraso. Retraso significa tropezar. Tropezar significa que el robot se rompe o falla. La brecha entre dos estilos de codificación es donde mueren los robots.
El equipo necesitaba un puente.
El cerebro detrás de la fuerza
Construyeron algo llamado APT-RL.
Significa aprendizaje por refuerzo basado en transformadores previamente entrenado en acción. El nombre es un bocado. El concepto es más simple.
Primero, la IA estudió un montón de acciones. Un modelo de transformador observó los patrones en todos ellos. Entonces entró en acción el aprendizaje por refuerzo. Prueba y error. Recompensas por los buenos movimientos, penalizaciones por los malos.
¿Pero de dónde vinieron los datos?
Todavía no construyeron un robot real. Comenzaron en 2D. Un modelo informático sencillo. Utilizaron la optimización de la trayectoria para descubrir qué funciona físicamente para las piernas. Generaron 180,0 millones de secuencias. Breves ráfagas de trote y saltos. Calcularon las fuerzas conjuntas necesarias. Se necesitaron ocho minutos para crear ese conjunto de datos. Quince horas de datos de movimiento. Listo en el tiempo que tarda en hervir el agua.
A continuación, la IA tuvo que aprender cuándo usar qué.
La simulación le puso obstáculos. Escaleras. Escalones de piedra. Obstáculos. Brechas. Terreno accidentado. El robot tuvo que descubrir cómo seleccionar la habilidad correcta y modificarla sobre la marcha.
Y aquí está el truco. La simulación agregó cámaras de profundidad y escáneres lidar. Tenía que “ver” como lo haría el robot real.
“El sistema selecciona la forma de andar adecuada y ajusta los movimientos en tiempo real basándose en la información visual”.
En una prueba en interiores, la cosa superó un obstáculo de dos pies de altura. Alcanzó los 15 kilómetros por hora (unas 9 mph) mientras lo hacía. Incluso saltó tres escaleras.
Observe cómo eligió sus movimientos. ¿Velocidades más bajas? Trotó. ¿Terreno irregular? Se mantuvo bajo y cuidadoso. ¿Altas velocidades? ¿Grandes pasos? Se limitó.
Siempre tomó la decisión correcta. Una versión del software restringida únicamente al trote fallaba con frecuencia. Lo mismo hizo la versión obligada a encuadernar únicamente. ¿El híbrido? Coherente.
¿Es esto sólo un truco?
No. El robot aprendió comportamientos que nunca le fueron enseñados explícitamente. Como saltar sobre un tronco. Los datos de entrenamiento originales eran planos. El registro no estaba en el plan. Pero la IA lo descubrió porque el entrenamiento no consistía simplemente en copiar, sino en comprender el terreno en tres dimensiones.
Se corrige solo.
Se adapta.
Este es el tipo de cosas que cambia lo que estas máquinas realmente pueden hacer fuera de un laboratorio. No se necesitan más suelos planos.
¿Verás uno entregando paquetes a continuación? Tal vez.
O tal vez permanezca en el campus por un tiempo.
