Robot con capacidad de toma de decisiones sobre la marcha


Investigadores de la Universidad de Illinois Urbana-Champaign han desarrollado un nuevo enfoque para que los robots en los cuerpos celestes decidan de forma autónoma los métodos y ubicaciones de recolección de muestras.

El modelo de proceso gaussiano profundo propuesto se entrena en la base de datos fuera de línea de metaaprendizaje profundo con brechas de implementación controladas, que divide repetidamente el conjunto de entrenamiento en entrenamiento medio y entrenamiento del kernel, y aprende los parámetros del kernel para minimizar los residuos de los modelos medianos. En la implementación, el tomador de decisiones utiliza el modelo entrenado y lo adapta a los datos adquiridos en línea. Crédito: Departamento de Ingeniería Aeroespacial de la Universidad de Illinois
El modelo de proceso gaussiano profundo propuesto se entrena en la base de datos fuera de línea de metaaprendizaje profundo con brechas de implementación controladas, que divide repetidamente el conjunto de entrenamiento en entrenamiento medio y entrenamiento del kernel, y aprende los parámetros del kernel para minimizar los residuos de los modelos medianos. En la implementación, el tomador de decisiones utiliza el modelo entrenado y lo adapta a los datos adquiridos en línea. Crédito: Departamento de Ingeniería Aeroespacial de la Universidad de Illinois

Los rovers de Marte dependen de la guía humana desde la Tierra, mientras que las misiones de aterrizaje a Saturno o las lunas de Júpiter carecen de comunicaciones en tiempo real debido a las largas distancias.

Investigadores de los departamentos de ingeniería aeroespacial e informática de la Universidad de Illinois Urbana-Champaign han desarrollado un enfoque de aprendizaje innovador. Esto permite que los robots en los cuerpos celestes tomen decisiones autónomas para determinar los métodos y ubicaciones óptimos para recolectar muestras de suelo. Los investigadores han adoptado un enfoque único para permitir que los módulos de aterrizaje aprendan rápidamente a cosechar nuevos materiales, mientras se adaptan a paisajes y propiedades cambiantes.

Los investigadores explicaron que con un mínimo de prueba y error, los robots que usan este método aprenden rápidamente cómo recolectar nuevos materiales. Ajustan su estrategia si hacen intentos fallidos, moviéndose a diferentes áreas para excavar. Comprender los mundos oceánicos como Europa plantea un desafío debido al conocimiento limitado. Es necesario mejorar la resolución de las imágenes disponibles para discernir las características del terreno. El equipo destacó la incertidumbre sobre la superficie de Europa y lo que hay debajo del hielo. En algunas pruebas, el equipo ocultó material debajo de otra capa. El robot, al percibir la capa superior como seleccionable, aprende de manera diferente cuando se encuentra con la capa inferior no seleccionable, lo que lo impulsa a reubicarse.

La NASA prioriza el envío de rovers a batería a Europa para minimizar los riesgos de contaminación de los mundos oceánicos por sustancias potencialmente peligrosas, junto con otros factores específicos de la misión. Con la energía nuclear que dura meses y las baterías que duran solo 20 días, el intercambio diario de mensajes se vuelve poco práctico. Así, la autonomía del robot se vuelve fundamental para una toma de decisiones eficiente. El método de aprendizaje único utiliza la visión y poca experiencia para cavar superior. El robot del equipo de Illinois recopila datos sobre varios materiales, acumulando 6700 puntos en una base de datos de conocimiento de 100 puntos para 67 terrenos. El modelo del equipo se utilizará en el banco de pruebas de autonomía Ocean World Lander del Laboratorio de Propulsión a Chorro de la NASA.

El significado radica en transferir conocimientos y métodos adaptables desde la Tierra a cuerpos extraterrestres. La información limitada previa al aterrizaje y la corta duración de la batería requieren un rápido autoaprendizaje y toma de decisiones, ya que la vida útil del módulo de aterrizaje puede ser corta.

Referencia: Yifan Zhu et al, Pocas adaptaciones de carrera para el manejo de materiales granulares bajo cambio de dominio, Robótica: Ciencia y Sistemas XIX (2023). DOI: 10.15607/RSS.2023.XIX.048 www.roboticsproceedings.org/rss19/p048.html