La complejidad de las tareas simples es una de las primeras cosas que se descubre en el mundo de la robótica.
Cosas que parecen simples para los humanos pueden tener infinitas variables que damos por sentado. Los robots no tienen ese lujo.
Es por eso que gran parte de la industria se enfoca en tareas repetitivas en entornos estructurados.
Afortunadamente, el mundo del aprendizaje robótico ha experimentado algunos descubrimientos revolucionarios en los últimos años, y la industria está en camino de crear e implementar sistemas más adaptables.
El año pasado, el equipo de robótica de Google DeepMind presentó el Robotics Transformer – RT-1 -, que entrenó a sus sistemas Everyday Robot para realizar tareas como recoger y colocar objetos y abrir cajones.
El sistema se basó en una base de datos de 130,000 demostraciones, lo que resultó en una tasa de éxito del 97% para «más de 700» tareas, según el equipo.
Hoy, Google DeepMind presenta el RT-2, que permite que los robots transfieran conceptos aprendidos en conjuntos de datos relativamente pequeños a escenarios diferentes.
El sistema demuestra efectivamente la capacidad de determinar cosas como la mejor herramienta para una tarea específica basándose en información contextual existente.
El equipo afirma que la tasa de eficacia en la ejecución de nuevas tareas mejoró del 32% al 62% en la transición de RT-1 a RT-2. El sistema es capaz de interpretar nuevos comandos y responder a comandos del usuario realizando razonamiento rudimentario, como razonar sobre categorías de objetos o descripciones de alto nivel.
El RT-2 es capaz de entender qué es la basura e identificarla sin entrenamiento explícito, e incluso tiene una idea de cómo tirar la basura, aunque nunca se le haya entrenado para realizar esa acción.
