Investigadores de la Universidad de Brown y el MIT han desarrollado un método para ayudar a los robots a planificar tareas de varios pasos mediante la construcción de representaciones abstractas del mundo que los rodea. Su estudio, publicado en el Revista de Investigación de Inteligencia Artificial , es un paso hacia la construcción de robots que puedan pensar y actuar más como personas.
La planificación es una cosa monumentalmente difícil para los robots, en gran parte debido a cómo perciben e interactúan con el mundo. La percepción del mundo de un robot consiste en nada más que en la gran variedad de píxeles recopilados por sus cámaras, y su capacidad para actuar eslimitado a establecer las posiciones de los motores individuales que controlan sus articulaciones y pinzas. Carece de una comprensión innata de cómo esos píxeles se relacionan con lo que podríamos considerar conceptos significativos en el mundo.
"Esa interfaz de bajo nivel con el mundo hace que sea realmente difícil decidir qué hacer", dijo George Konidaris, profesor asistente de informática en Brown y autor principal del nuevo estudio. "Imagínese lo difícil que seríaplanear algo tan simple como un viaje al supermercado si tuviera que pensar en todos y cada uno de los músculos que flexionaría para llegar allí, e imaginar de antemano y en detalle los terabytes de datos visuales que pasarían por las retinasel camino. Inmediatamente te atascarías en los detalles. La gente, por supuesto, no planifica de esa manera. Somos capaces de introducir conceptos abstractos que desechan esa enorme masa de detalles irrelevantes y se centran solo en lo importante"
Incluso los robots de última generación no son capaces de ese tipo de abstracción. Cuando vemos demostraciones de robots que planifican y realizan tareas de varios pasos, "casi siempre ocurre que un programador le ha dicho explícitamente al robot cómopensar en el mundo para que pueda hacer un plan ", dijo Konidaris." Pero si queremos robots que puedan actuar de manera más autónoma, necesitarán la capacidad de aprender abstracciones por su cuenta ".
En términos de informática, este tipo de abstracciones se dividen en dos categorías: "abstracciones de procedimiento" y "abstracciones perceptivas". Las abstracciones de procedimiento son programas hechos de movimientos de bajo nivel compuestos por habilidades de nivel superior. Un ejemplo sería agrupar a todoslos pequeños movimientos necesarios para abrir una puerta, todos los movimientos motores involucrados en alcanzar el pomo, girarlo y abrir la puerta, en una sola habilidad de "abrir la puerta".No necesita preocuparse por cómo funciona. Todo lo que necesita saber es cuándo ejecutarlo. Los robotistas, incluido el propio Konidaris, han estado estudiando cómo hacer que los robots aprendan abstracciones de procedimiento durante años, dice.
Pero según Konidaris, ha habido menos progreso en la abstracción perceptiva, que tiene que ver con ayudar a un robot a dar sentido a su entorno pixelado. Ese es el enfoque de esta nueva investigación.
"Nuestro trabajo muestra que una vez que un robot tiene habilidades motoras de alto nivel, puede construir automáticamente una representación simbólica de alto nivel compatible del mundo, una que sea demostrablemente adecuada para planificar el uso de esas habilidades", dijo Konidaris.
Aprendizaje de estados abstractos del mundo
Para el estudio, los investigadores introdujeron un robot llamado Anathema Device o Ana, para abreviar en una habitación que contiene un armario, un refrigerador, un interruptor que controla una luz dentro del armario y una botella que podría dejarse enel refrigerador o el armario. Le dieron a Ana un conjunto de habilidades motoras de alto nivel para manipular los objetos en la habitación, abriendo y cerrando el refrigerador y el armario, accionando el interruptor y recogiendo una botella. Luego soltaron a Anapara probar sus habilidades motoras en la sala, registrando los datos sensoriales de sus cámaras y actuadores antes y después de cada ejecución de habilidades. Esos datos se introdujeron en el algoritmo de aprendizaje automático desarrollado por el equipo.
Vea el video del proceso aquí: http://www.youtube.com/watch?v=lY4PKBqp9ZM
Los investigadores demostraron que Ana pudo aprender una descripción muy abstracta del entorno que contenía solo lo que era necesario para poder realizar una habilidad en particular. Por ejemplo, aprendió que para abrir el refrigerador, necesitabaestar parada frente a él y sin sostener nada porque necesitaba ambas manos para abrir la tapa. También aprendió la configuración adecuada de píxeles en su campo visual asociado con el cierre de la tapa del refrigerador, que es la única configuración en la queposible abrirlo
Aprendió abstracciones similares asociadas con sus otras habilidades. Aprendió, por ejemplo, que la luz dentro del armario era tan brillante que apagaba sus sensores. Entonces, para manipular la botella dentro del armario, la luz tenía que estar apagadaTambién aprendió que para apagar la luz, la puerta del armario tenía que estar cerrada, porque la puerta abierta bloqueaba su acceso al interruptor. La representación abstracta resultante destilaba todo ese conocimiento de imágenes de alta definición a un archivo de texto., solo 126 líneas de largo.
"Estos fueron todos los conceptos abstractos importantes sobre su entorno", dijo Konidaris. "Las puertas deben cerrarse antes de poder abrirlas. No se puede sacar la botella del armario a menos que esté abierta, y así sucesivamente. Yella pudo aprenderlos simplemente ejecutando sus habilidades y viendo lo que sucede "
Planificación en resumen
Una vez que Ana estuvo armada con su representación abstracta aprendida, los investigadores le pidieron que hiciera algo que requiriera algo de planificación: sacar la botella del refrigerador y ponerla en el armario.
Como esperaban que lo hiciera, Ana navegó hacia el refrigerador y la abrió para revelar la botella. Pero no la recogió. En cambio, planeó con anticipación. Se dio cuenta de que si tenía la botella en su agarre, entonces ellano podría abrir el armario, porque hacerlo requiere ambas manos. Entonces, después de abrir el refrigerador, navegó hacia el armario. Allí vio que la luz se encendía, y se dio cuenta de que al abrir el refrigeradorel armario bloqueará el interruptor, por lo que apagó el interruptor antes de abrir el armario, regresar al refrigerador y recuperar la botella, y finalmente colocarlo en el armario. En resumen, planeó con anticipación, identificando problemas y arreglándolos antes de que pudieran ocurrir..
"No le proporcionamos a Ana ninguna de las representaciones abstractas que necesitaba para planificar la tarea", dijo Konidaris. "Ella aprendió esas abstracciones por sí misma, y una vez que las tuvo, la planificación fue fácil. Encontró ese planen solo unos cuatro milisegundos "
Konidaris dice que la investigación proporciona un componente teórico importante para aplicar la inteligencia artificial a la robótica. "Creemos que permitir que nuestros robots planifiquen y aprendan en abstracto en lugar de en concreto será fundamental para construir robots verdaderamente inteligentes", dijo."Muchos problemas son a menudo bastante simples, si piensas en ellos de la manera correcta".
Los coautores de Konidaris en el documento fueron Leslie Pack Kaelbling y Tomas Lozano-Perez del MIT. La investigación fue apoyada por un premio de la Agencia de Proyectos de Investigación Avanzada de Defensa y por la Iniciativa de Inteligencia del MIT.
Fuente de la historia :
Materiales proporcionado por Universidad de Brown . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :