\n<\/p>\n
\u00bfPor qu\u00e9 no hay m\u00e1s robots en los hogares? Esta es una pregunta sorprendentemente compleja, y nuestros hogares son lugares sorprendentemente complejos. Una gran parte de la raz\u00f3n por la cual los sistemas aut\u00f3nomos prosperan primero en los almacenes y las plantas de producci\u00f3n es la relativa facilidad de navegar en un entorno estructurado. Claro, la mayor\u00eda de los sistemas a\u00fan requieren que se mapee un espacio antes de comenzar a trabajar, pero una vez que est\u00e1 en su lugar, tiende a haber poca variaci\u00f3n.<\/p>\n
Las casas, por otro lado, son una especie de pesadilla. No solo var\u00edan dr\u00e1sticamente de una unidad a otra, sino que est\u00e1n llenos de obst\u00e1culos hostiles y tienden a ser bastante din\u00e1micos, ya que los muebles se mueven o las cosas se dejan en el piso. Las aspiradoras son los robots m\u00e1s frecuentes en el hogar y a\u00fan se est\u00e1n perfeccionando despu\u00e9s de d\u00e9cadas en el mercado.<\/p>\n
Esta semana, los investigadores de MIT CSAIL est\u00e1n presentando PIGINet (Planes, im\u00e1genes, objetivos y hechos iniciales), que est\u00e1 dise\u00f1ado para llevar la planificaci\u00f3n de tareas y movimientos a los sistemas rob\u00f3ticos dom\u00e9sticos. La red neuronal est\u00e1 dise\u00f1ada para ayudar a optimizar su capacidad para crear planes de acci\u00f3n en diferentes entornos.<\/p>\n
MIT explica PIGINet as\u00ed:<\/p>\n
\n[I]Emplea un codificador transformador, un modelo vers\u00e1til y de \u00faltima generaci\u00f3n dise\u00f1ado para operar en secuencias de datos. La secuencia de entrada, en este caso, es informaci\u00f3n sobre qu\u00e9 plan de tareas est\u00e1 considerando, im\u00e1genes del entorno y codificaciones simb\u00f3licas del estado inicial y la meta deseada. El codificador combina los planes de tareas, la imagen y el texto para generar una predicci\u00f3n sobre la viabilidad del plan de tareas seleccionado.<\/p>\n<\/blockquote>\n
El sistema se centra en gran medida en las actividades basadas en la cocina en la actualidad. Se basa en entornos dom\u00e9sticos simulados para crear planes que requieren interacciones con varios elementos diferentes del entorno, como mostradores, gabinetes, el refrigerador, fregaderos, etc. Los investigadores dicen que en escenarios m\u00e1s simples, PIGINet pudo reducir el tiempo de planificaci\u00f3n en un 80 %. . Para situaciones m\u00e1s complejas, ese n\u00famero fue generalmente alrededor del 20-50%.<\/p>\n
El equipo sugiere que las casas son solo el comienzo.<\/p>\n
\u201cLas aplicaciones pr\u00e1cticas de PIGINet no se limitan a los hogares\u201d, dice el estudiante de doctorado Zhutian Yang. \u201cNuestro objetivo futuro es refinar a\u00fan m\u00e1s PIGINet para sugerir planes de tareas alternativos despu\u00e9s de identificar acciones no factibles, lo que acelerar\u00e1 a\u00fan m\u00e1s la generaci\u00f3n de planes de tareas factibles sin la necesidad de grandes conjuntos de datos para entrenar a un planificador de prop\u00f3sito general desde cero. Creemos que esto podr\u00eda revolucionar la forma en que se entrenan los robots durante el desarrollo y luego se aplican a los hogares de todos\u201d.<\/p>\n<\/p><\/div>\n