Un sistema robótico de cuatro patas para jugar al fútbol en diversos terrenos.

Four-legged robotic system for playing soccer on different terrains.

DribbleBot puede maniobrar un balón de fútbol en terrenos como arena, grava, barro y nieve, utilizando el aprendizaje por refuerzo para adaptarse a las diferentes dinámicas del balón.

Researchers created DribbleBot, a system for in-the-wild dribbling on diverse natural terrains including sand, gravel, mud, and snow using onboard sensing and computing. In addition to these football feats, such robots may someday aid humans in search-and-rescue missions.

Si alguna vez has jugado al fútbol con un robot, te resultará familiar. El sol brilla en tu cara mientras el olor a hierba impregna el aire. Miras a tu alrededor. Un robot de cuatro patas se acerca corriendo hacia ti, driblando con determinación.

Aunque el robot no muestra un nivel de habilidad como el de Lionel Messi, sigue siendo un impresionante sistema de dribbling en condiciones naturales. Investigadores del Laboratorio de Inteligencia Artificial Improbable del MIT, parte del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL), han desarrollado un sistema robótico con patas que puede driblar un balón de fútbol en las mismas condiciones que los humanos. El robot utilizó una combinación de sensores y computación a bordo para atravesar diferentes terrenos naturales, como arena, grava, barro y nieve, y adaptarse a su variado impacto en el movimiento del balón. Como todo atleta comprometido, “DribbleBot” podía levantarse y recuperar el balón después de caer.

Programar robots para jugar al fútbol ha sido un área de investigación activa durante algún tiempo. Sin embargo, el equipo quería aprender automáticamente cómo accionar las piernas durante el dribbling, para permitir el descubrimiento de habilidades difíciles de programar para responder a terrenos diversos como nieve, grava, arena, hierba y pavimento. Entra en juego la simulación.

Un robot, un balón y un terreno están dentro de la simulación, un gemelo digital del mundo natural. Se pueden cargar el robot y otros activos y configurar los parámetros de la física, y luego se encarga de la simulación hacia adelante de la dinámica a partir de ahí. Cuatro mil versiones del robot se simulan en paralelo en tiempo real, lo que permite la recolección de datos 4.000 veces más rápido que usando solo un robot. Eso es mucha información.

El robot comienza sin saber cómo driblar el balón, simplemente recibe una recompensa cuando lo hace, o refuerzo negativo cuando lo hace mal. Por lo tanto, está tratando esencialmente de descubrir qué secuencia de fuerzas debe aplicar con sus piernas. “Un aspecto de este enfoque de aprendizaje por refuerzo es que debemos diseñar una buena recompensa para facilitar que el robot aprenda un comportamiento de dribbling exitoso”, dice el estudiante de doctorado del MIT Gabe Margolis, quien lideró el trabajo junto con Yandong Ji, asistente de investigación en el Laboratorio de Inteligencia Artificial Improbable. “Una vez que hemos diseñado esa recompensa, entonces es hora de la práctica para el robot: en tiempo real, son un par de días, y en el simulador, cientos de días. Con el tiempo, aprende a manipular mejor y mejor el balón de fútbol para igualar la velocidad deseada”.

El bot también podría navegar por terrenos desconocidos y recuperarse de caídas debido a un controlador de recuperación que el equipo construyó en su sistema. Este controlador permite que el robot se levante después de una caída y vuelva a su controlador de dribbling para continuar persiguiendo el balón, ayudándolo a manejar interrupciones y terrenos fuera de distribución.

“Si miras alrededor hoy, la mayoría de los robots tienen ruedas. Pero imagina que hay un escenario de desastre, inundaciones o un terremoto, y queremos que los robots ayuden a los humanos en el proceso de búsqueda y rescate. Necesitamos que las máquinas pasen por terrenos que no son planos, y los robots con ruedas no pueden atravesar esos paisajes”, dice Pulkit Agrawal, profesor del MIT, investigador principal de CSAIL y director del Laboratorio de Inteligencia Artificial Improbable. “El objetivo de estudiar robots con patas es ir a terrenos fuera del alcance de los sistemas robóticos actuales”, agrega. “Nuestro objetivo al desarrollar algoritmos para robots con patas es proporcionar autonomía en terrenos desafiantes y complejos que actualmente están fuera del alcance de los sistemas robóticos”.

La fascinación por los cuadrúpedos y el fútbol de robots es profunda. El profesor canadiense Alan Mackworth señaló por primera vez la idea en un artículo titulado “Sobre la visión de los robots”, presentado en VI-92, 1992. Posteriormente, investigadores japoneses organizaron un taller sobre “Grandes desafíos en inteligencia artificial”, lo que llevó a discusiones sobre el uso del fútbol para promover la ciencia y la tecnología. El proyecto fue lanzado como la J-League de robots un año después, y rápidamente se desató un fervor global. Poco después nació “RoboCup”.

En comparación con caminar solo, driblar un balón de fútbol impone más restricciones en el movimiento de DribbleBot y en los terrenos que puede atravesar. El robot debe adaptar su locomoción para aplicar fuerzas al balón para driblar. La interacción entre el balón y el paisaje podría ser diferente a la interacción entre el robot y el paisaje, como la hierba espesa o el pavimento. Por ejemplo, un balón de fútbol experimentará una fuerza de arrastre en la hierba que no está presente en el pavimento, y una inclinación aplicará una fuerza de aceleración, cambiando la trayectoria típica del balón. Sin embargo, la capacidad del bot para atravesar diferentes terrenos a menudo se ve menos afectada por estas diferencias en la dinámica, siempre y cuando no se deslice, por lo que la prueba de fútbol puede ser sensible a las variaciones en el terreno que la locomoción por sí sola no lo es.

“Los enfoques anteriores simplifican el problema del regateo, haciendo una suposición de modelado de terreno plano y duro. El movimiento también está diseñado para ser más estático; el robot no intenta correr y manipular la pelota simultáneamente”, dice Ji. “Ahí es donde entran en juego dinámicas más difíciles en el problema de control. Abordamos esto extendiendo los avances recientes que han permitido una mejor locomoción al aire libre en esta tarea compuesta que combina aspectos de locomoción y manipulación diestra juntos.”

En cuanto al hardware, el robot tiene un conjunto de sensores que le permiten percibir el entorno, lo que le permite sentir dónde está, “entender” su posición, y “ver” parte de sus alrededores. Tiene un conjunto de actuadores que le permiten aplicar fuerzas y moverse a sí mismo y a objetos. Entre los sensores y los actuadores se encuentra la computadora, o “cerebro”, encargada de convertir los datos del sensor en acciones, que aplicará a través de los motores. Cuando el robot está corriendo sobre la nieve, no ve la nieve pero puede sentirla a través de sus sensores de motor. Pero el fútbol es una tarea más complicada que caminar, por lo que el equipo aprovechó las cámaras en la cabeza y el cuerpo del robot para una nueva modalidad sensorial de visión, además de la nueva habilidad motora. Y luego, driblamos.

“Nuestro robot puede ir a la naturaleza porque lleva todos sus sensores, cámaras y cómputo a bordo. Eso requirió algunas innovaciones en términos de hacer que todo el controlador se ajustara a esta computadora a bordo”, dice Margolis. “Esa es una área donde el aprendizaje ayuda porque podemos ejecutar una red neuronal ligera y entrenarla para procesar datos de sensor ruidosos observados por el robot en movimiento. Esto es en marcado contraste con la mayoría de los robots de hoy: típicamente un brazo robótico está montado en una base fija y se sienta en un banco de trabajo con una computadora gigante enchufada directamente en él. ¡Ni la computadora ni los sensores están en el brazo robótico! Así que todo el conjunto es pesado y difícil de mover.”

Todavía queda un largo camino por recorrer para hacer que estos robots sean tan ágiles como sus contrapartes en la naturaleza, y algunos terrenos fueron desafiantes para DribbleBot. Actualmente, el controlador no está entrenado en entornos simulados que incluyen pendientes o escaleras. El robot no está percibiendo la geometría del terreno; solo está estimando sus propiedades de contacto material, como la fricción. Si hay un escalón, por ejemplo, el robot se quedará atascado, no podrá levantar la pelota sobre el escalón, un área que el equipo quiere explorar en el futuro. Los investigadores también están emocionados de aplicar las lecciones aprendidas durante el desarrollo de DribbleBot a otras tareas que involucren locomoción combinada y manipulación de objetos, transportando rápidamente diversos objetos de un lugar a otro usando las piernas o los brazos.

“DribbleBot es una impresionante demostración de la viabilidad de un sistema en un espacio de problemas complejo que requiere control dinámico de todo el cuerpo”, dice Vikash Kumar, científico investigador de Facebook AI Research que no estuvo involucrado en el trabajo. “Lo impresionante de DribbleBot es que todas las habilidades sensoriomotoras se sintetizan en tiempo real en un sistema de bajo costo utilizando recursos computacionales a bordo. Aunque exhibe una agilidad y coordinación notables, es solo el ‘inicio’ para la próxima era. ¡Comencemos el juego!”

La investigación es apoyada por el programa de Sentido Común de la Máquina DARPA, el MIT-IBM Watson AI Lab, el Instituto de Inteligencia Artificial e Interacciones Fundamentales de la Fundación Nacional de Ciencias, el Laboratorio de Investigación de la Fuerza Aérea de Estados Unidos y el Acelerador de Inteligencia Artificial de la Fuerza Aérea de Estados Unidos. Un artículo sobre el trabajo se presentará en la Conferencia Internacional de Robótica y Automatización (ICRA) IEEE 2023.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Inteligencia Artificial

Explicación del artículo de las Redes de Atención en Grafos con ilustración e implementación en PyTorch

Las redes neuronales gráficas (GNN) son una poderosa clase de redes neuronales que operan en datos estructurados en f...

Ciencias de la Computación

Algoritmo encuentra esperma en hombres infértiles más rápido y con mayor precisión que los médicos.

La herramienta identifica instantáneamente el esperma, luego deja al embriólogo decidir si el esperma está realmente ...

Inteligencia Artificial

Rompiendo barreras en la segmentación de instancias en 3D Un enfoque de mundo abierto con mejora de pseudo-etiquetado y escenarios realistas

Al proporcionar clasificación y etiquetado semántico a nivel de instancia de objeto, la segmentación semántica de ins...

Inteligencia Artificial

DB-GPT Transformando cómo nos conectamos con bases de datos con tecnología propietaria LLM

¿Qué es DB-GPT? Para interactuar con tus datos y el mundo que te rodea, DB-GPT es un proyecto experimental de código ...