En el sitio web de la oficina de noticias del MIT, las entidades no comerciales, la prensa y el público en general pueden acceder a imágenes descargables con una licencia de atribución de derechos de autor no comercial y no derivada. Estas imágenes no deben modificarse, excepto para ajustarlas al tamaño deseado. Al reproducir las imágenes, debe incluirse una línea de crédito. Si se proporciona un crédito no específico, debe darse crédito al" MIT". " Recientemente, investigadores del MIT han desarrollado una técnica de inteligencia artificial que permite a un robot crear planes de trabajo para manipular objetos con toda la mano, no sólo con las yemas de los dedos. Las figuras mostraban a un robot simulado realizando diversas tareas de manipulación de contacto, como manipular una pelota, recoger una placa y orientar una pluma. Para un robot, cada posible punto de contacto con sus dedos, brazos y torsores representa un evento que hay que tener en cuenta. Sin embargo, los investigadores del MIT han descubierto un método para simplificar este proceso, conocido como planificación de manipulación rica en contactos, que utiliza una técnica de la IA denominada" suavizado". Al resumir múltiples eventos de contacto en unas pocas decisiones, incluso un algoritmo sencillo puede determinar de forma suficiente un plan de manipulación eficaz para un robot. utiliza robots más pequeños y móviles que pueden manipular objetos con sus propios brazos, en lugar de depender de grandes brazos robóticos que sólo tienen capacidad para agarrar con la punta de los dedos. H. J. TerrySuh, estudiante de Ingeniería Eléctrica e Informática, y TaoPang, especialista en robótica del Instituto de Dinámica de Boston, son los coautores del artículo sobre esta técnica. El artículo de investigación, que aparece en las Transactions on Robotics delIEEET, incluye también aportaciones deLujieYang, estudiantegraduadodeIngenieríaEléctrica y Ciencias de la Computación, yRussTedrake, CatedráticodeIngenieríaEléctrica y Ciencias de la Computación, Aeronáutica y Astronáutica e Ingeniería Mecánica deToyota, y miembro del Laboratorio de Ciencias de la Computación e Inteligencia Artificial( CSAIL). El artículo se centra en el concepto de aprendizaje por refuerzo libre, en el que un robot aprende a completar una tarea mediante ensayo y error con un sistema de recompensa basado en el progreso hacia la meta. Aunque el aprendizaje por refuerzo ha demostrado su eficacia en la planificación de manipulaciones ricas en contacto, requiere una gran cantidad de cálculos para tener en cuenta la multitud de puntos de contacto potenciales para la manipulación eficaz de objetos con los dedos, las manos, los brazos y el cuerpo de un robot.

Por el contrario, el diseño de un modelo basado en la física específico para la tarea del sistema puede mejorar la eficacia. Sin embargo, los enfoques basados en la física no han tenido tanto éxito como el aprendizaje por refuerzo en la planificación de la manipulación rica en contacto. Intrigados por esta disparidad, Su y Pang llevaron a cabo un análisis detallado e identificaron que el alisamiento, una técnica que reduce al mínimo las decisiones intermedias sin importancia, permite que el aprendizaje por refuerzo obtenga excelentes resultados. Para aplicar esta idea, los investigadores del MIT diseñaron un modelo sencillo que empleaba un mecanismo de suavizado similar al de la suavización, lo que permitía centrarse en las interacciones fundamentales entre el robot y el objeto y realizar predicciones precisas a largo plazo. Los investigadores combinaron el modelo con un algoritmo de análisis capaz de buscar de forma eficiente todas las posibles decisiones que podría tomar el robot, reduciendo aún más el tiempo de cálculo a aproximadamente un minuto en un ordenador de sobremesa y un portátil de sobremesa. El método se probó en simulaciones y en brazos robóticos reales, con resultados similares a los del aprendizaje por refuerzo, pero con un tiempo de cálculo significativamente menor. SegúnTedrake, CatedráticoToyotadeIngenieríaEléctricayCienciasdelaComputación, AeronáuticayAstronaúticaeIngenieríaMecánica, ymiembrodelCSAIL, estainvestigación pone de manifiesto que la noción de suavidad extraída del aprendizaje por refuerzo puede permitir que los métodos de planificación tradicionales funcionen excepcionalmente bien, Sin embargo, los investigadores señalan que la aproximación simplificada que hace el modelo del mundo real limita su capacidad para gestionar movimientos muy dinámicos, como la caída de objetos. Aunque es eficaz para las tareas de manipulación lenta, su planteamiento no puede generar un plan para que un robot deposite una lata en una papelera, por ejemplo. Los investigadores tienen previsto seguir mejorando su sistema técnico para hacer frente a los movimientos altamente dinámicos. Lea la historia completa del estudiante de máster y cofundador del Movimiento Sunrise. En otro esfuerzo de investigación, los científicos del MIT han creado un completo modelo de mapa que detalla cómo las neuronas del gusano C. elegans codifican sus comportamientos. " Más información sobre este proyecto en el artículo completo. Además, los investigadores han desarrollado un nuevo enfoque que permite a los gusanos planeadores, ideales para las misiones de búsqueda y rescate, planear y ejecutar maniobras acrobáticas complejas y de alta velocidad. Lea el artículo completo para obtener más información.