Un robot ahora puede preparar su próximo movimiento representando lo que podría ocurrir, sin generar un vídeo completo de la escena futura.
Para actuar correctamente, un robot a menudo debe prever las consecuencias de sus movimientos. Mover una taza, agarrar un objeto o abrir un cajón modifica su entorno. Por ello, algunas inteligencias artificiales producen varias imágenes del futuro supuesto antes de elegir una acción. Este método aporta información útil, pero requiere muchos cálculos en cada decisión.
Algunas tareas de la vida cotidiana requieren una gran destreza y anticipación de los movimientos.
Imagen generada por IA
Un equipo vinculado, entre otras instituciones, a la Universidad Jiao Tong de Shanghái y a ACE Robotics propone otro enfoque, bautizado como ForeWAM. En lugar de construir imágenes futuras visibles, el sistema conserva una representación interna de posibles cambios. Esta contiene indicios sobre el desplazamiento de los objetos, los contactos con el robot y el avance de una tarea.
En otras palabras, la IA no necesita «ver» un vídeo que ella misma acaba de fabricar. Prepara estados internos correspondientes a futuros posibles y luego reutiliza esta información cuando calcula el siguiente movimiento. Esto evita varias etapas sucesivas de generación de imágenes.
El aprendizaje todavía requiere observaciones reales antes y después de una acción. Un modelo utilizado únicamente durante esta fase ayuda a ForeWAM a reconocer los cambios relevantes. Una vez entrenado, el sistema funciona sin esas observaciones futuras y sin ese modelo adicional. El robot recibe entonces la imagen actual y una instrucción, y calcula directamente su acción.
Los investigadores evaluaron su método en LIBERO, un conjunto de tareas simuladas de manipulación robótica. ForeWAM supera con éxito una media del 96,7 % de los ensayos. Otra versión alcanza el 96,9 %. Cada tarea de la prueba estándar se repitió 50 veces, lo que permite medir la frecuencia real de los éxitos en este entorno digital.
Una segunda prueba, LIBERO-Plus, modifica la cámara, la iluminación, la posición del robot, las instrucciones o incluso la disposición de los objetos. ForeWAM alcanza allí un 61,6 % de éxito en la muestra evaluada. Este resultado mide, por tanto, su resistencia ante situaciones diferentes de las encontradas durante el aprendizaje.
Queda por comprobar si este método conserva sus ventajas fuera de la simulación. Los autores precisan que sus ensayos abarcan únicamente LIBERO y LIBERO-Plus. Otros tipos de robots, tareas más largas y entornos físicos reales podrían producir resultados diferentes. El trabajo se difunde actualmente como prepublicación en arXiv.