Como ya sabréis, los robots son enormemente eficaces en el desarrollo de tareas para las que han sido específicamente programados, como el montaje de vehículos y otro tipo de tareas mecánicas similares. A pesar de ello, supone todo un reto el hecho de tener que llevar a cabo una tarea para la que no han sido programados, ya que no tienen capacidad de aprender. Hoy os hablamos de BRETT, un robot que pretende terminar con esta situación.
La principal característica por la que destaca BRETT (Berkeley Robot for the Elimination of Tedious Tasks) es por ser capaz de hacer uso de técnicas de aprendizaje profundo (deep learning) con el objetivo de llevar a cabo con éxito tareas muy simples para un humano pero realmente complejas para un robot que no ha sido programado para ello. Desarrollado por un grupo de investigadores pertenecientes al Robot Learning Lab de la Universidad de California en Berkeley, BRETT es capaz de completar este tipo de tareas sin ningún tipo de ayuda ni intervención humana. Concretamente, hablamos de tareas como encajar dos piezas de Lego o montar las ruedas de un avión de juguete. A pesar de que el robot podría ser programado para ser capaz de realizar estas tareas sin problemas, el objetivo es conseguir que sea capaz de aprender de forma autónoma los pasos que tiene que llevar a cabo para completar una tarea determinada. Para ello, los creadores del mismo han desarrollado un software que le permite aprender de forma similar a los humanos: probando y equivocándose. De esta forma, empleando algoritmos de prueba y error, BRETT es capaz de completar tareas a las que nunca se ha enfrentado. La principal ventaja de ello es que sería posible crear robots capaces de enfrentarse a todo tipo de tareas nuevas sin necesidad de programarle de nuevo.
Sin duda, se trata de un paso adelante de gran relevancia en el mundo de la robótica que podría tener un importante número de aplicaciones distintas en un futuro próximo. A continuación, os dejamos con un breve vídeo en el que se muestra el funcionamiento del robot:
Fuente: UC Berkeley.