\n<\/p>\n
Una de las primeras cosas que descubres en el mundo de la rob\u00f3tica es la complejidad de las tareas simples. Las cosas que parecen simples para los humanos tienen variables potencialmente infinitas que damos por sentado. Los robots no tienen esos lujos.<\/p>\n
Es precisamente por eso que gran parte de la industria se centra en tareas repetibles en entornos estructurados. Afortunadamente, el mundo del aprendizaje rob\u00f3tico ha visto algunos avances revolucionarios en los \u00faltimos a\u00f1os, y la industria est\u00e1 en camino de crear e implementar sistemas m\u00e1s adaptables.<\/p>\n
El a\u00f1o pasado, el equipo de rob\u00f3tica de Google DeepMind present\u00f3 Robotics Transformer (RT-1), que capacit\u00f3 a sus sistemas Everyday Robot para realizar tareas como recoger y colocar y abrir sorteos. El sistema se bas\u00f3 en una base de datos de 130\u00a0000 demostraciones, lo que result\u00f3 en una tasa de \u00e9xito del 97% para \u00abm\u00e1s de 700\u00bb tareas, seg\u00fan el equipo.<\/p>\n
Cr\u00e9ditos de imagen:<\/strong> Google DeepMind<\/p>\n<\/div>\n Hoy se est\u00e1 quitando las envolturas de RT-2. En una publicaci\u00f3n de blog, el cient\u00edfico distinguido y jefe de rob\u00f3tica de DeepMind, Vincent Vanhoucke, dice que el sistema permite que los robots transfieran de manera efectiva los conceptos aprendidos en conjuntos de datos relativamente peque\u00f1os a diferentes escenarios.<\/p>\n \u201cRT-2 muestra capacidades mejoradas de generalizaci\u00f3n y comprensi\u00f3n sem\u00e1ntica y visual m\u00e1s all\u00e1 de los datos rob\u00f3ticos a los que estuvo expuesto\u201d, explica Google. \u201cEsto incluye interpretar nuevos comandos y responder a los comandos del usuario mediante la realizaci\u00f3n de un razonamiento rudimentario, como el razonamiento sobre categor\u00edas de objetos o descripciones de alto nivel\u201d. El sistema demuestra efectivamente una capacidad para determinar cosas como la mejor herramienta para una nueva tarea espec\u00edfica basada en la informaci\u00f3n contextual existente.<\/p>\n Vanhoucke cita un escenario en el que se le pide a un robot que tire la basura. En muchos modelos, el usuario tiene que ense\u00f1arle al robot a identificar lo que califica como basura y luego entrenarlo para que recoja la basura y la tire. Es un nivel de minucia que no es especialmente escalable para los sistemas que se espera que realicen una variedad de tareas diferentes.<\/p>\n \u201cDebido a que RT-2 puede transferir conocimiento de un gran corpus de datos web, ya tiene una idea de lo que es la basura y puede identificarla sin un entrenamiento expl\u00edcito\u201d, escribe Vanhoucke. \u201cIncluso tiene una idea de c\u00f3mo tirar la basura, aunque nunca ha sido entrenado para tomar esa acci\u00f3n. Y piense en la naturaleza abstracta de la basura: lo que era una bolsa de papas fritas o una c\u00e1scara de pl\u00e1tano se convierte en basura despu\u00e9s de comerlos. RT-2 es capaz de dar sentido a eso a partir de sus datos de entrenamiento de visi\u00f3n y lenguaje y hacer el trabajo\u201d.<\/p>\n El equipo dice que la tasa de eficacia en la ejecuci\u00f3n de nuevas tareas ha mejorado del 32 % al 62 % en el salto de RT-1 a RT-2.<\/p>\n<\/p><\/div>\n