¿Por qué no hay más robots en los hogares? Es una pregunta compleja y sorprendente, y nuestros hogares son lugares sorprendentemente complejos. Una gran parte de por qué los sistemas autónomos prosperan en almacenes y fábricas es, en primer lugar, la relativa facilidad de navegar en un entorno estructurado. Por supuesto, la mayoría de los sistemas aún requieren que se mapee un espacio antes de comenzar a trabajar, pero una vez que está en su lugar, generalmente hay poca variación.
Las casas, por otro lado, son algo así como una pesadilla. No solo varían mucho de una unidad a otra, sino que están llenos de obstáculos hostiles y tienden a ser bastante dinámicos cuando se mueven los muebles o se dejan objetos en el suelo. Las aspiradoras son los robots más comunes en el hogar y aún se están perfeccionando después de décadas en el mercado.
Esta semana, investigadores del MIT CSAIL presentan PIGINEt (Plans, Images, Purpose and Initial Facts), que está diseñado para llevar la planificación de tareas y movimientos a los sistemas robóticos domésticos. La red neuronal está diseñada para ayudar a optimizar su capacidad para crear planes de acción en diferentes entornos.
MIT explica PIGINet así:
[I]Utiliza un codificador basado en transformador, un diseño versátil y de última generación diseñado para operar en secuencias de datos. La secuencia de entrada, en este caso, consta de información sobre el plan de tareas previsto, imágenes del entorno y codificaciones simbólicas del estado inicial y la meta deseada. El codificador combina los planes de tareas, la imagen y el texto para generar una predicción sobre la viabilidad del plan de tareas seleccionado.
Actualmente, el sistema se centra en gran medida en las actividades de cocina. Se basa en entornos domésticos simulados para crear planos que requieren interacciones con diferentes elementos del entorno, como mostradores, gabinetes, refrigeradores, fregaderos, etc. Los investigadores afirman que, en escenarios más simples, PIGINet pudo reducir el tiempo de planificación en un 80 %. Para situaciones más complejas, este número suele rondar el 20-50%.
El equipo sugiere que las casas son solo el comienzo.
“Las aplicaciones prácticas de PIGINet no se limitan a los hogares”, explica el estudiante de doctorado Zhutian Yang. «Nuestro objetivo futuro es refinar PIGINet para sugerir planes de tareas alternativos después de identificar acciones no factibles, lo que acelerará aún más la generación de planes de tareas factibles sin la necesidad de grandes conjuntos de datos para entrenar a un programador de propósito general desde cero. Creemos que esto podría revolucionar la forma en que los robots se entrenan durante el desarrollo y luego se aplican en los hogares de todos».