Por primera vez, investigadores del MIT han logrado diseñar sensores de piel que confieren conciencia sobre el entorno a los robots blandos.
Este hallazgo es importante porque en el campo de los robots blandos otorgar control autónomo es una tarea compleja puesto que éstos pueden moverse en un número prácticamente infinito de direcciones en cualquier momento dado.
Piel "sensorizada"
No es práctico para los robots blandos en aplicaciones del mundo real el empleo del mismo procedimiento que se usa con los robots convencionales, esto es, grandes sistemas de múltiples cámaras de captura de movimiento que proporcionan a los robots referencias sobre el movimiento y las posiciones en 3D.
Resulta mucho más eficaz un sistema de sensores blandos que cubren el cuerpo de un robot para proporcionar "propiocepción", lo que significa conciencia del movimiento y la posición de su cuerpo, tal y como han demostrado estos investigadores del MIT en un estudio publicado en la revista IEEE Robotics and Automation Letters.
Esa retroalimentación se encuentra con un nuevo modelo de aprendizaje profundo que se filtra a través del ruido y captura señales claras para estimar la configuración 3D del robot, lo que facilitará el hacer extremidades artificiales que puedan manejar y manipular objetos con mayor destreza en el entorno.
Según Ryan Truby, primer autor del estudio en el Laboratorio de Ciencias de la Computación y Artificial del MIT (CSAIL):
Estamos sensorizando robots blandos para obtener retroalimentación para el control de los sensores, no de los sistemas de visión, utilizando un método muy fácil y rápido para la fabricación. Queremos usar estos brazos robóticos blandos, por ejemplo, para orientarnos y controlarnos automáticamente, para recoger cosas e interactuar con el mundo. Este es un primer paso hacia ese tipo de control automatizado más sofisticado.
En los experimentos, los investigadores hicieron que un brazo girara y se extendiera en configuraciones aleatorias durante aproximadamente una hora y media. Utilizaron el sistema tradicional de captura de movimiento sobre el terreno. En el entrenamiento, el modelo analizó los datos de sus sensores para predecir una configuración y comparó sus predicciones con los datos de del terreno que se recopilaban simultáneamente.
Imagen | Ryan L. Truby, MIT CSAIL