Investigadores del Instituto de Investigación en Ingeniería Mecatrónica y Sistemas Ciberfísicos de la Universidad de Málaga (IMECH.UMA) han desarrollado un nuevo enfoque de inteligencia artificial que permite a los robots aprender no solo qué decisión tomar, sino también cuándo tomarla, incorporando el tiempo como un factor esencial en su proceso de aprendizaje.
FUNDACIÓN DESQBBRE.– Investigadores del Instituto de Investigación en Ingeniería Mecatrónica y Sistemas Ciberfísicos de la Universidad de Málaga (IMECH.UMA) han desarrollado un nuevo enfoque de inteligencia artificial que permite a los robots aprender no solo qué decisión tomar, sino también cuándo tomarla, incorporando el tiempo como un factor esencial en su proceso de aprendizaje.
El trabajo se desarrolla en el marco del proyecto TYRELL (Time in Reinforcement Learning for Robotics), financiado por el Ministerio de Ciencia, Innovación y Universidades, y aborda un aspecto habitualmente ignorado en el aprendizaje por refuerzo (Reinforcement Learning), una de las técnicas de inteligencia artificial más empleadas para dotar de autonomía a los robots.
En la mayoría de los sistemas actuales, los robots toman decisiones a intervalos de tiempo fijos. Sin embargo, el equipo del IMECH.UMA propone que esos intervalos se adapten dinámicamente a cada situación. «Al igual que una persona no necesita reaccionar con la misma frecuencia cuando conduce por una autopista que cuando maniobra para aparcar, un robot tampoco debería tomar decisiones siempre al mismo ritmo», explica el investigador principal del proyecto, Juan Antonio Fernández Madrigal.
En este sentido, explica que en la mayoría de los algoritmos de navegación existentes, los robots toman decisiones a intervalos de tiempo fijos definidos previamente por el diseñador del sistema. Sin embargo, tal y como explicaba Fernández Madrigal anteriormente, no todas las situaciones requieren el mismo nivel de atención. Por tanto, los investigadores sostienen que “en zonas con obstáculos o gran incertidumbre conviene reaccionar rápidamente, mientras que en otras el robot puede mantener una misma acción durante más tiempo, reduciendo el consumo energético y el esfuerzo computacional”.
“Nuestro robot aprende automáticamente cuándo necesita prestar mucha atención al entorno y cuándo puede mantener una acción durante más tiempo porque el riesgo es menor. Estos mapas reflejan esa intensidad temporal de la atención y permiten aprovechar mucho mejor el tiempo de cómputo, algo especialmente importante en robots de pequeño tamaño”, señala Adrián Bañuls Arias, primer autor del artículo e investigador predoctoral del proyecto.
Los investigadores han desarrollado los denominados ‘Mapas de Tiempo Subjetivo’ (Subjective Time Maps), una nueva representación del entorno que permite al robot aprender qué frecuencia de decisión resulta más adecuada en cada zona. De este modo, pueden reaccionar con rapidez en situaciones complejas y espaciar sus decisiones cuando el entorno es más favorable, mejorando simultáneamente la seguridad, la precisión de la navegación y la eficiencia energética y computacional.
El equipo, al completo. De izquierda a derecha, Vicente Arévalo, Juan Manuel Gandarias, Ana Cruz, Manuel Castellano y Juan Antonio Fernández Madrigal. Abajo, Adrián Bañuls y Cipriano Galindo.
Además de su interés científico, el proyecto apuesta por la ciencia abierta mediante la publicación de bibliotecas de software, simuladores y conjuntos de datos experimentales que facilitan la reproducción y validación de los resultados por otros grupos de investigación.
Los resultados más recientes de esta investigación han sido publicados en la revista internacional ‘Computer Modeling in Engineering & Sciences’, donde el equipo demuestra que este nuevo enfoque permite optimizar la navegación autónoma incluso cuando existen incertidumbres en la localización del robot o retrasos en las comunicaciones.
El proyecto TYRELL reúne a investigadores de la Universidad de Málaga, la Örebro University (Suecia) y la École Polytechnique Fédérale de Lausanne (EPFL) (Suiza), y estudia cómo la dimensión temporal puede mejorar el aprendizaje tanto en robots móviles como en manipuladores robóticos, con aplicaciones potenciales en logística, agricultura, inspección industrial, robótica de servicios o misiones de búsqueda y rescate.