“Mucha gente está luchando por descubrir cuál será la próxima fuente de big data”, dice Pras Velagapudi, director de tecnología de Agility Robotics, que fabrica un robot humanoide que opera en almacenes para clientes como Amazon. Las respuestas a la pregunta de Velagapudi ayudarán a definir en qué sobresaldrán las máquinas del mañana y qué funciones pueden desempeñar en nuestros hogares y lugares de trabajo.
Datos de entrenamiento principales
Para entender cómo los robóticos compran datos, imaginemos una carnicería. Hay cortes de primera y costosos listos para cocinar. Están los productos básicos humildes y cotidianos. Y luego está el caso de los recortes y recortes que se esconden en la parte de atrás, lo que requiere un chef creativo para convertirlos en algo delicioso. Todos son utilizables, pero no todos son iguales.
Para tener una idea de cómo se ven los datos primarios para los robots, considere el métodos adoptado por el Instituto de Investigación Toyota (TRI). En medio de un enorme laboratorio en Cambridge, Massachusetts, equipado con brazos robóticos, computadoras y una variedad aleatoria de objetos cotidianos como recogedores y batidores de huevos, los investigadores enseñan a los robots nuevas tareas a través de la teleoperación, creando lo que se l lama datos de demostración. Un humano podría usar un brazo robótico para darle la vuelta a un panqueque 300 veces en una tarde, por ejemplo.
El modelo procesa esos datos durante la noche y, a menudo, el robot puede realizar la tarea de forma autónoma a la mañana siguiente, dice el TRI. Dado que las demostraciones muestran muchas iteraciones de la misma tarea, la teleoperación crea datos ricos y etiquetados con precisión que ayudan a los robots a desempeñarse bien en nuevas tareas.
El problema es que crear esos datos lleva mucho tiempo y también está limitado por la cantidad de robots costosos que puedes permitirte. Para crear datos de entrenamiento de calidad de manera más económica y eficiente, Shuran Song, director del Laboratorio de Robótica e IA incorporada de la Universidad de Stanford, diseñó un dispositivo que se puede usar con mayor agilidad con las manos y que se construye a una fracción del costo. Esencialmente un plástico liviano. pinza, puede recopilar datos mientras lo usas para actividades cotidianas como romper un huevo o poner la mesa. Luego, los datos se pueden utilizar para entrenar robots para que imiten esas tareas. El uso de dispositivos más simples como este podría acelerar el proceso de recopilación de datos.
Esfuerzos de código abierto
Recientemente, los robóticos han descubierto otro método para obtener más datos de teleoperación: compartir lo que han recopilado entre sí, ahorrándoles así el laborioso proceso de crear conjuntos de datos solos.
El conjunto de datos de interacción de robots distribuidos (DROIDE), publicado el mes pasado, fue creado por investigadores de 13 instituciones, incluidas empresas como Google DeepMind y las mejores universidades como Stanford y Carnegie Mellon. Contiene 350 horas de datos generados por humanos que realizan tareas que van desde cerrar una máquina para hacer gofres hasta limpiar un escritorio. Dado que los datos se recopilaron utilizando hardware común en el mundo de la robótica, los investigadores pueden usarlos para crear modelos de IA y luego probar esos modelos en equipos que ya tienen.
El esfuerzo se basa en el éxito de Open X-Embodiment Collaboration, una iniciativa similar proyecto de Google DeepMind que agregó datos sobre 527 habilidades, recopiladas de una variedad de diferentes tipos de hardware. El conjunto de datos ayudó a construir el modelo RT-X de Google DeepMind, que puede convertir instrucciones de texto (por ejemplo, “Mueve la manzana a la izquierda de la lata de refresco”) en movimientos físicos.