Evolution Gym esculpe nuevos cuerpos y cerebros de robots

Evolution Gym esculpe nuevos cuerpos y cerebros de robots

Los roboticistas a menudo copian la naturaleza, creando robots humanoides para las tareas del hogar, máquinas tipo gusano para arrastrarse por túneles y artilugios de cuatro patas que parecen guepardos para correr y saltar. Pero generalmente diseñan primero un cuerpo de robot similar a un animal y luego entrenan a una IA para controlarlo. En los seres vivos, sin embargo, el cuerpo y el cerebro evolucionan juntos para abordar tareas complejas. Por eso, 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 roboticistas evolutivos 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 blando como su controlador para que evolucionen al mismo tiempo. Dentro de este espacio digital, llamado Gimnasio Evolución, los algoritmos pueden desarrollar robots para más de 30 tareas diferentes, que incluyen transportar y empujar bloques, hacer volteretas hacia atrás, escalar barreras y trepar por ejes. Cuando los investigadores del MIT utilizaron sus propios algoritmos en el programa, para cada tarea, el software desarrolló un robot más eficaz que un humano.

“El objetivo futuro es tomar cualquier tarea y decir: ‘Diseñeme 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 hacen rebotar 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 control-optimización, que genera un “cerebro” para cada robot que le permitirá realizar una determinada tarea. Este controlador calcula cuándo y cuánto debe activarse cada bloque, por ejemplo, qué tan lejos y con qué frecuencia se activa un bloque de movimiento horizontal, de modo que todos trabajen juntos para mover el robot según sea necesario. A continuación, los distintos diseños de bots prueban una tarea asignada en el Evolution Gym mientras que el algoritmo de optimización de control mide qué tan bien se desempeñan y devuelve las puntuaciones al algoritmo de diseño.

Introduzca los principios evolutivos. El algoritmo de diseño descarta las configuraciones inadecuadas, “mantiene los diseños más ajustados, los muta un poco y ve si funcionan aún mejor”, dice Bhatia. Esto continúa, con robots que pasan del algoritmo de diseño al algoritmo del controlador para realizar pruebas en el entorno de 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 brillar por un eje como un simio. 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, parecen 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 por debajo de baldosas espaciadas al azar, luego arrastrar un objeto por la parte superior de esas baldosas mientras aún estaba debajo de ellas. Para este trabajo, el simulador diseñó un robot que se desplegaba una vez debajo de los mosaicos y luego se movía lentamente para empujar el objeto arriba. Es un ejemplo perfecto de cómo el cuerpo y el cerebro trabajan juntos para actuar de manera inteligente.

Esa es la belleza de la robótica evolutiva, dice Josh Bongard de la Universidad de Vermont, que no participó en el trabajo. Copiar los planos del cuerpo de un robot 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 tratamos de introducir a nuestros robots humanoides o caninos». La aviación es un buen ejemplo, explica Bongard. “Los primeros pioneros intentaron fabricar máquinas con alas batientes, pero esos prototipos fallaron”, agrega. «Solo cuando construimos máquinas que no se asemejaban a los pájaros conseguimos 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 donde cualquier investigador puede diseñar y probar sus propios algoritmos y comparar enfoques. En trabajos anteriores, los grupos normalmente han desarrollado sus propios entornos virtuales para tales evaluaciones. El nuevo espacio digital brinda a los investigadores una línea de base común para medir qué tan bien se comparan varios algoritmos. «Eso permite a las personas medir el progreso, y eso es realmente importante», dice Agrim Gupta, un doctorado 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 obtener 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 robots en evolución 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 capturar y levantar. Esto muestra 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 mismo dice, «Estamos permitiendo el desarrollo de algoritmos de IA más inteligentes para poder crear robots inteligentes de la vida real en el futuro».