Las personas solemos adquirir la capacidad de coger objetos con nuestras propias manos desde los pocos años de edad pudiendo sortear las posibles dificultades que se nos puedan presentar en el entorno real en el que nos encontremos sin que ello pueda suponer un problema. Sin embargo, los robots sí que lo tienen más difícil a la hora de coger objetos en el mundo real, existiendo una brecha en comparación con el dominio que tenemos las personas gracias a nuestras capacidades motoras.
Un equipo de investigación de Google se ha propuesto comenzar a cerrar esa brecha mediante el uso de un sistema de red neuronal profunda que permite a los robots recibir entrenamiento continuo para adquirir capacidades inteligentes para el agarre de objetos cotidianos en el mundo real atendiendo al entorno que les rodea, pudiendo predecir el resultado en base a la imagen captada por una cámara y el movimiento del propio motor.
En este sentido, este grupo de investigadores tiene a 14 robots que están siendo entrenados en paralelo en el aprendizaje del agarre de objetos cotidianos, cuyas experiencias están posibilitando mejorar dichas capacidades en sucesivas ocasiones. De este modo, los robots van prediciendo continuamente los próximos movimientos a realizar en base a los movimientos que están realizando con sus pinzas de agarre, siendo el equivalente a la coordinación mano-ojo en las personas, hasta llegar a obtener el objeto deseado.
Aclarar que normalmente un robot suele estudiar el entorno, crear un plan para coger el objeto y proceder a ejecutarlo, aunque en el mundo real hay una serie de variables que hacen reducir la posibilidad de coger estos objetos con éxito.
Después de 3.000 horas de prácticas y 800.000 intentos de agarre, el equipo de investigación ha observado principios de capacidades inteligentes en los robots, quienes poco a poco han ido aprendiendo a corregir sus comportamientos surgidos del aprendizaje en lugar de una programación en sus sistemas. Dichos investigadores han observado que sin la formación, la tasa media de fallos a la hora de coger un objeto fue del 34% en los primeros 30 intentos. Luego del entrenamiento, esta tasa se redujo al 18%.
De esta manera, el equipo de investigación de Google lleva el uso de las redes neuronales más allá del procesamiento de imágenes, voz, textos y dibujos aplicándose en el control de sistemas, lo que abre las puertas a nuevos retos en donde podría entrar el uso de las máquinas de aprendizaje, cuya superación posibilitará que los propios sistemas puedan entender sus propios comportamientos y mejorarlos sobre la marcha, posibilitando resolver muchos de los problemas existentes actualmente en el mundo de la robótica y la automatización.