Evolution Gym esculpe nuevos cuerpos y cerebros de robots
Los robóticos a menudo copian la naturaleza, creando robots humanoides para las tareas del hogar, máquinas estilo gusano para gatear a través de túneles y artilugios de cuatro patas que parecen guepardos para correr y saltar. Pero generalmente primero diseñan un cuerpo de robot con forma de animal y luego entrenan una IA para controlarlo. Sin embargo, en los seres vivos, el cuerpo y el cerebro evolucionan juntos para abordar tareas complejas. Entonces, algunos investigadores están tomando prestada una página del libro de jugadas de la naturaleza para diseñar robots inteligentes y adaptables.
En el último ejemplo, los especialistas en robótica evolutiva del Instituto de Tecnología de Massachusetts han creado un entorno virtual donde los algoritmos pueden diseñar y mejorar tanto la forma física de un robot suave como su controlador para que evolucionen simultáneamente. Dentro de este espacio digital, llamado Evolution Gym, los algoritmos pueden desarrollar robots para más de 30 tareas diferentes, que incluyen transportar y empujar bloques, hacer volteretas, escalar barreras y escalar pozos. Cuando los investigadores del MIT usaron sus propios algoritmos en el programa, para cada tarea individual, el software desarrolló un robot más efectivo que un humano.
“El objetivo futuro es tomar cualquier tarea y decir: ‘Diséñame un robot óptimo para completar esta tarea’”, dice Jagdeep Bhatia, estudiante de pregrado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT, quien dirigió el trabajo. Presentó la investigación en la Conferencia sobre Sistemas de Procesamiento de Información Neural el 9 de diciembre.
Evolution Gym se basa en dos algoritmos que rebotan los resultados de un lado a otro. Primero, un algoritmo de optimización de diseño “genera un montón de diseños de robots aleatorios”, dice Bhatia. El algoritmo crea cada robot blando combinando hasta 100 bloques de construcción individuales, que pueden ser rígidos o flexibles y pueden moverse vertical u horizontalmente. Luego, estos diseños de mosaico pasan al algoritmo de optimización de control, que genera un «cerebro» para cada robot que le permitirá realizar una tarea determinada. Este controlador calcula cuándo y cuánto debe activarse cada bloque, por ejemplo, qué tan lejos y con qué frecuencia actúa un bloque de movimiento horizontal, de modo que todos trabajen juntos para mover el robot según sea necesario. A continuación, los diversos diseños de bot prueban una tarea asignada en Evolution Gym mientras el algoritmo de optimización de control mide qué tan bien se desempeñan y devuelve los puntajes al algoritmo de diseño.
Introduzca los principios evolutivos. El algoritmo de diseño descarta configuraciones no aptas, “mantiene los diseños más aptos, los muta un poco y ve si funcionan aún mejor”, dice Bhatia. Esto continúa, con los robots pasando del algoritmo de diseño al algoritmo del controlador, a las pruebas en el entorno Evolution Gym y de nuevo al algoritmo de diseño hasta que el sistema converge en la puntuación más alta. El proceso da como resultado la mejor combinación de diseño y control, o cuerpo y cerebro, para realizar la tarea.
A menudo, el proceso conduce a formas familiares. Para la tarea de escalar, el diseño ganador desarrolló dos brazos y dos piernas que lo ayudan a trepar por un eje como un mono. El mejor robot de transporte parece una mezcla entre un cachorro y un carrito de compras blando. Pero en la mayoría de los casos, los resultados son inesperados. En lugar de parecerse a un animal real o un dispositivo que diseñaría un humano, se ven como algo que un niño pequeño podría haber construido con bloques.
El favorito de Bhatia resultó de una tarea en la que el robot tenía que deslizarse debajo de mosaicos espaciados aleatoriamente y luego arrastrar un objeto por la parte superior de esos mosaicos mientras aún estaba debajo de ellos. Para este trabajo, el simulador diseñó un bot que se desplegaba una vez debajo de las baldosas y luego se movía lentamente para empujar el objeto de arriba. Es un ejemplo perfecto del cuerpo y el cerebro trabajando juntos para actuar de manera inteligente.
Esa es la belleza de la robótica evolutiva, dice Josh Bongard de la Universidad de Vermont, quien no participó en el trabajo. Copiar los diseños de los cuerpos de los robots de la naturaleza a menudo no funciona, dice, «porque los perros y los humanos evolucionaron para llenar nichos ambientales muy diferentes de aquellos en los que intentamos introducir nuestros robots humanoides o caninos». La aviación es un buen ejemplo, explica Bongard. “Los primeros pioneros intentaron hacer máquinas con alas batientes, pero esos prototipos fallaron”, agrega. “Solo cuando construimos máquinas que no se parecen a las aves, logramos que volaran”. De manera similar, los cuerpos de los robots producidos por algoritmos evolutivos a menudo se ven extraños pero parecen funcionar bien en determinadas tareas.
Otros han intentado codiseñar cuerpos y cerebros de robots virtuales, dice Bhatia, pero se han centrado en tareas simples como caminar y saltar. “Uno de los puntos más fuertes de nuestro trabajo es la cantidad de tareas y la cantidad de tareas únicas que desarrollamos”, dice.
Evolution Gym es de código abierto: el equipo de Bhatia lo creó para proporcionar una plataforma de referencia en la que cualquier investigador pueda diseñar y probar sus propios algoritmos y comparar enfoques. En trabajos anteriores, los grupos normalmente han desarrollado sus propios entornos virtuales para dichas evaluaciones. El nuevo espacio digital brinda a los investigadores una línea de base común para medir qué tan bien se acumulan varios algoritmos. “Eso permite a las personas medir el progreso, y eso es realmente importante”, dice Agrim Gupta, un Ph.D. en ciencias de la computación. estudiante, que realiza una investigación similar en la Universidad de Stanford. Recientemente publicó un artículo sobre cómo la inteligencia no solo se puede lograr a través de la evolución, sino que también se puede desarrollar a partir de la experiencia. Bongard está de acuerdo y dice que el nuevo simulador del MIT permitirá que el campo de la robótica evolutiva «avance más rápido al aclarar qué formas de evolucionar los robots funcionan mejor que otras».
Tales evaluaciones son necesarias porque los robots diseñados por algoritmos evolutivos no siempre funcionan. Los algoritmos del MIT, por ejemplo, no pudieron diseñar con éxito robots para atrapar y levantar. Esto demuestra que hay mucho más trabajo por hacer en el diseño de robots verdaderamente inteligentes, dice Bhatia, lo que hace que una plataforma estándar como Evolution Gym sea aún más importante para avanzar colectivamente en el desarrollo del diseño de robots. Como él dice, «Estamos permitiendo el desarrollo de algoritmos de IA más inteligentes para poder crear robots inteligentes de la vida real en el futuro».
