Innovación Robótica: El MIT desarrolla un sistema para agarre inteligente
Investigadores del MIT han creado un sistema avanzado que permite a los robots inferir características ocultas de objetos, mejorando su capacidad de agarre y operación en entornos impredecibles.
Los robots suelen carecer de la sutileza necesaria para manejar objetos delicados debido a la falta de información precisa sobre sus propiedades físicas. Sin embargo, un equipo de investigadores del MIT CSAIL ha desarrollado un sistema innovador que inyecta en los robots la capacidad de inferir rasgos ocultos de los objetos, mejorando significativamente su habilidad de agarre.
El desafío de la sutileza robótica
Tradicionalmente, los robots calculan las propiedades de un objeto, como el peso y el centro de masa, basándose únicamente en datos visuales. Esta limitación puede llevar a errores de cálculo y agarres incorrectos, aplicando más fuerza de la necesaria y, en algunos casos, rompiendo objetos frágiles como huevos.
Una solución innovadora
El nuevo sistema, denominado “proceso neuronal de agarre”, está diseñado para inferir características no visibles de los objetos a partir de un historial de intentos previos. Este método permite a los robots aprender de experiencias pasadas —tanto exitosas como fallidas— para determinar los tipos de agarre que funcionarán mejor. A diferencia de los modelos anteriores que dependían exclusivamente de la visión artificial, este sistema revisa movimientos previos para mejorar su precisión.
Eficiencia y rapidez
Una de las ventajas más destacadas del sistema es su eficiencia. Los investigadores del MIT explican que este método permite a las máquinas ejecutar agarres de manera más eficiente, utilizando muchos menos datos de interacción y finalizando el cálculo en menos de una décima de segundo. En comparación, los métodos tradicionales pueden tardar segundos o incluso minutos.
Aplicaciones en el mundo real
Este avance tiene el potencial de ser beneficioso en diversos entornos, desde hogares hasta almacenes y centros de logística, donde los robots deben manejar objetos cuyas propiedades no siempre son evidentes a primera vista. Por ejemplo, una máquina podría mover cajas con diferentes cantidades de alimentos sin ver su interior, o un brazo mecánico podría tomar y cortar una zanahoria de manera eficiente y sutil.
En pruebas de laboratorio, el sistema demostró su eficacia al recoger cajas correctamente en 19 de 20 intentos.
Declaraciones de los expertos
Michael Noseworthy, investigador del MIT CSAIL, destacó la importancia de no asumir que los robots conocen toda la información necesaria. «Sin humanos que etiqueten las propiedades de un objeto, los robots tradicionalmente requieren de un costoso proceso de inferencia», comentó. Seiji Shaw, autor principal del estudio, agregó: «Nuestro modelo ayuda a los robots a hacer esto de manera mucho más eficiente, permitiéndoles imaginar qué agarres informarán el mejor resultado».
Chad Kessens, del Laboratorio de Investigación del Ejército de Estados Unidos, que patrocinó esta investigación, afirmó: “Para sacarlos de los entornos controlados como los laboratorios y llevarlos al mundo real, los robots deben ser mejores en el manejo de lo desconocido”.