Podemos ver multitud de robots hoy día encargados de realizar tareas específicas con poca intervención humana, pero básicamente son robots que están centrados en una tarea que pueden desempeñar de forma muy precisa.

Este tipo de robots cuentan con mucha eficiencia, pero también con una serie de limitaciones, y ahora investigadores del Instituto tecnológico de Massachusetts han combinado diferentes modelos para abordar tipos diferentes de estas limitaciones para desarrollar un modelo global que pueda encontrar soluciones de forma colectiva.

Este modelo llamado Diffusion-CCSP, aprende de una familia de modelos de IA generativa, que se entrenan juntos, compartiendo ciertos conocimientos como la geometría de los objetos que abordará el robot.

Este modelo utiliza IA generativa para ayudar al robot a resolver problemas como las colisiones y la estabilidad, a la hora de tomar una serie de objetos.

“Mi visión es impulsar a los robots a realizar tareas más complicadas que tienen muchas restricciones geométricas y decisiones más continuas que deben tomarse; estos son los tipos de problemas que enfrentan los robots de servicios en nuestros entornos humanos diversos y no estructurados”, dijo Zhutian Yang, estudiante de posgrado en ingeniería eléctrica e informática y autor principal del estudio .

“Con la poderosa herramienta de los modelos de difusión composicional, ahora podemos resolver estos problemas más complejos y obtener excelentes resultados de generalización”, añade.

Explica que para entrenar modelos individuales lleva mucho tiempo y es muy costoso, requiriendo por otra parte una gran cantidad de datos de entrenamiento.

Para eso pusieron como ejemplo robots que tengan que guardar una serie de objetos en un coche con restricciones de tener que requerir que un determinado objeto esté al lado de otro.

Sin embargo, encontraron un enfoque alternativo al utilizar algoritmos rápidos para generar zonas segmentadas y encajar un conjunto diversos de objetos 3D en cada uno de estos segmentos, asegurando un embalaje ajustado y sin colisiones.

“Con este proceso, la generación de datos es casi instantánea en la simulación. Podemos generar decenas de miles de entornos en los que sabemos que los problemas tienen solución”, afirma.

Ahora quieren probar este modelo en situaciones más complicadas, sin necesidad de recibir capacitación sobre nuevos datos.