Por Canuto  

Investigadores del MIT desarrollaron VLASH, una técnica de inteligencia artificial que permite a los robots anticipar su posición futura mientras ejecutan acciones. El sistema duplicó la velocidad en tareas de recoger y colocar, redujo las pausas entre movimientos y mostró mejoras en actividades dinámicas como jugar tenis de mesa.
***

  • VLASH permite que un modelo de inteligencia artificial planifique el siguiente bloque de movimientos mientras el robot ejecuta el actual.
  • La técnica duplicó la velocidad en tareas de recoger, clasificar y colocar, con una precisión del 90% en una prueba con cubos.
  • El método también mejoró el desempeño en actividades rápidas, como jugar ping-pong y Whac-a-Mole, sin añadir carga computacional.

Investigadores del Instituto Tecnológico de Massachusetts desarrollaron una técnica de inteligencia artificial que ayuda a los robots a anticipar su estado futuro mientras actúan. El método, llamado VLASH, busca eliminar las pausas que aparecen cuando una máquina debe detenerse para planificar su siguiente movimiento.

Las pruebas mostraron que el sistema duplicó la velocidad de robots en tareas de recoger y colocar, además de mejorar su desempeño en actividades dinámicas. Entre ellas estuvieron jugar tenis de mesa y responder a objetivos en un juego de Whac-a-Mole.

El enfoque podría ser útil para robots que necesitan moverse con rapidez en entornos reales, como operaciones de emergencia, búsqueda y rescate. También puede ayudar a que las máquinas se recuperen con mayor velocidad después de cometer errores.

Una pausa que limita la velocidad robótica

Los robots modernos utilizan modelos de inteligencia artificial para interpretar su entorno, entender instrucciones y decidir qué hacer a continuación. En los sistemas más avanzados, los modelos de lenguaje-acción-acción, conocidos como VLA, cumplen una función similar a la de un cerebro robótico.

Un modelo VLA recibe imágenes captadas por las cámaras del robot junto con una instrucción sobre la tarea que debe realizar. Después procesa esa información, genera un bloque de movimientos y envía las acciones al hardware para su ejecución.

Este proceso de inferencia exige una cantidad importante de cómputo en tiempo real. Mientras el modelo analiza la escena y calcula el siguiente bloque de acciones, el robot puede experimentar pausas que interrumpen sus movimientos.

Las pausas provocan trayectorias entrecortadas y reducen la capacidad de la máquina para responder ante cambios en el entorno. Un objeto puede desplazarse, una superficie puede cambiar o una acción anterior puede producir un resultado inesperado.

Jiaming Tang, estudiante de posgrado en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT, explicó que la motivación central consistía en superponer el pensamiento del robot con su proceso de ejecución. De esa forma, el sistema puede preparar la siguiente respuesta mientras todavía completa la acción actual.

VLASH anticipa el estado futuro

El equipo desarrolló VLASH para que un modelo VLA planifique el siguiente bloque de movimientos a partir de una estimación del estado futuro del robot. La técnica no intenta adivinar con exactitud cada detalle del entorno, una tarea que puede resultar especialmente difícil en escenarios cambiantes.

En cambio, el sistema utiliza información que el robot ya conoce con mayor precisión. El modelo sabe cuál es la posición actual de la máquina y cómo se moverá durante el bloque de acciones que está a punto de ejecutar.

Con esos datos, VLASH calcula dónde estará el robot después de completar sus movimientos actuales. Luego emplea esa estimación para planificar la siguiente secuencia, en lugar de basarse únicamente en una observación que pronto quedará desactualizada.

Según Tang, planificar a partir del estado presente puede generar un desajuste porque el entorno cambia después de que el robot se mueve. Ese desfase puede producir un control inestable, especialmente cuando la máquina necesita reaccionar con rapidez.

La técnica proporciona al robot una forma de conciencia sobre su propio estado futuro. El modelo puede mantener la continuidad entre una acción y la siguiente, lo que favorece movimientos más suaves y reduce el tiempo perdido entre bloques de ejecución.

Más velocidad sin añadir carga de cómputo

La inferencia asíncrona de VLASH eliminó el tiempo de inactividad que normalmente aparece entre bloques de acciones. Por sí sola, esta modificación aceleró las velocidades de reacción más de 30 veces durante la ejecución.

Los investigadores también utilizaron una estrategia llamada cuantización de acciones. El método genera bloques de acciones más grandes para que el robot ejecute varios pasos consecutivos siguiendo una misma trayectoria.

La cuantización produjo una ligera reducción en la precisión, pero permitió completar las tareas generales entre dos y tres veces más rápido. Este intercambio puede resultar útil cuando la rapidez tiene un peso importante en el desempeño final.

El equipo descubrió que proporcionar estados futuros al modelo durante la implementación no bastaba para garantizar un control estable. Por ese motivo, desarrolló un método de aumento del entrenamiento que enseña al VLA a utilizar la información futura en lugar de depender de las observaciones actuales.

El procedimiento agrupa los datos de entrenamiento y reutiliza parte de la información disponible. Con ello, el ajuste fino del sistema se volvió cinco veces más rápido sin incorporar una carga computacional adicional.

Pruebas en simulación y hardware real

En las comparaciones con métodos de referencia en simulación, VLASH mantuvo de forma consistente una mayor velocidad. Al mismo tiempo, conservó la precisión necesaria para ejecutar maniobras robóticas.

Las evaluaciones con hardware real incluyeron tareas de recoger y colocar, apilar y clasificar objetos. Estas pruebas permitieron observar si la planificación basada en el estado futuro funcionaba fuera de un entorno exclusivamente virtual.

En una de las demostraciones, el robot colocó cubos en una caja mientras los clasificaba por color. VLASH completó la tarea al doble de velocidad que los métodos comparados y alcanzó la misma precisión del 90% que el mejor sistema de referencia.

El sistema también enfrentó actividades altamente dinámicas. Entre ellas estuvieron jugar ping-pong y golpear objetivos en Whac-a-Mole, dos escenarios que exigen respuestas rápidas y coordinación continua.

Los resultados sugieren que la anticipación del estado del robot puede mejorar tanto tareas industriales repetitivas como maniobras que requieren agilidad. La ventaja no depende de añadir capacidad computacional al proceso de planificación.

Aplicaciones para robots más ágiles

Song Han, profesor asociado del Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT, señaló que el trabajo establece una base para aplicaciones robóticas eficientes, rápidas, aceleradas y de bajo costo.

Han también dirige una línea de investigación vinculada con sistemas de inteligencia artificial eficientes. En el artículo participaron Tang y Yufei Sun, estudiante de la Universidad de Tsinghua, junto con investigadores de Nvidia, la Universidad de California en Berkeley, la Universidad de California en San Diego y Caltech.

El equipo considera que la técnica puede ser relevante para robots que operen en situaciones reales difíciles. Una máquina dedicada a responder ante emergencias podría beneficiarse de reacciones más rápidas cuando las condiciones cambien de manera repentina.

Las aplicaciones de búsqueda y rescate también podrían aprovechar una planificación que reduzca pausas. En esos escenarios, la capacidad de corregir una trayectoria o recuperarse de un error puede tener tanta importancia como la precisión inicial.

Sin embargo, el método todavía enfrenta límites propios de los modelos VLA. VLASH predice principalmente el estado futuro del robot, mientras que anticipar con precisión todos los cambios del ambiente requiere capacidades adicionales.

El siguiente paso: modelos del mundo

Los investigadores planean combinar VLASH con modelos del mundo, sistemas generativos capaces de predecir observaciones ambientales reales. Esta integración podría mejorar la comprensión de lo que ocurre alrededor del robot mientras ejecuta sus acciones.

Un modelo del mundo podría ayudar a anticipar movimientos de objetos, cambios en una superficie o consecuencias de una acción específica. VLASH aportaría entonces la planificación basada en el futuro estado del robot, mientras el modelo generativo ampliaría la visión sobre el entorno.

La combinación buscaría reducir aún más el desfase entre la información utilizada para planificar y la situación real que enfrenta la máquina. El objetivo final es desarrollar una inteligencia artificial física más rápida y con capacidades más fuertes.

La investigación será presentada en la Conferencia de Robots Inteligentes y Sistemas. El trabajo recibió apoyo parcial del MIT-IBM Computing Research Lab, Amazon, la Fundación Nacional de Ciencias y Nvidia.

MIT News informó que Han y su equipo esperan expandir el método hacia modelos del mundo más avanzados. La meta es abrir nuevas aplicaciones para robots capaces de actuar con velocidad, precisión y menor tiempo de respuesta.

Por qué importa la planificación anticipada

La robótica suele enfrentar una tensión entre precisión y velocidad. Un sistema puede analizar más información para tomar mejores decisiones, pero ese análisis también puede retrasar la acción que debe ejecutar.

VLASH intenta resolver esa tensión al permitir que la planificación ocurra de manera paralela a la ejecución. El robot no tiene que esperar a terminar un bloque para comenzar a preparar el siguiente.

La diferencia resulta especialmente importante en tareas donde una pausa modifica el resultado. Atrapar una pelota, golpear un objetivo o corregir la posición de un objeto exige que la respuesta llegue antes de que cambien las condiciones.

El método también puede reducir la necesidad de utilizar hardware más potente para compensar las demoras del modelo. Al mejorar la coordinación entre inferencia y movimiento, el sistema busca aumentar el rendimiento sin elevar la carga computacional.

Para la inteligencia artificial aplicada al mundo físico, la velocidad de razonamiento representa un desafío central. La investigación del MIT muestra una vía para que los robots actúen de manera menos rígida y más parecida a la respuesta continua de una persona.

Un avance con alcances todavía abiertos

Los resultados de VLASH no significan que los robots comprendan el futuro con certeza. La técnica utiliza información conocida sobre los movimientos programados para estimar la posición posterior de la máquina.

La incertidumbre aumenta cuando el entorno cambia de forma imprevisible. Por esa razón, la incorporación de modelos del mundo podría ser decisiva para trasladar el método a escenarios más complejos.

La ligera pérdida de precisión asociada con bloques de acciones más grandes también plantea un equilibrio que cada aplicación deberá evaluar. En una línea de clasificación, la velocidad puede compensar ese costo, mientras que otras tareas podrían exigir mayor exactitud.

Aun con esas consideraciones, las pruebas abarcaron simulaciones y hardware real. El desempeño en recoger, colocar, apilar, clasificar y jugar refuerza la idea de que la planificación futura puede mejorar distintas formas de control robótico.

El trabajo ofrece una dirección concreta para acelerar la inteligencia artificial física. Si los próximos modelos anticipan tanto el estado del robot como los cambios del entorno, las máquinas podrían responder con mayor agilidad en industrias, servicios y situaciones críticas.

Fuente: MIT News.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados