La automatización robótica industrial podría avanzar hacia aplicaciones más complejas gracias a un nuevo marco de aprendizaje por imitación que mejora la capacidad de los robots para ejecutar tareas de manipulación de precisión. La investigación presenta una plataforma diseñada para entrenar sistemas robóticos capaces de intervenir en procesos donde la destreza manual continúa siendo un desafío para la automatización.
Actualmente, actividades como el tendido de cables, la inserción de conectores y el ensamblaje de componentes requieren una elevada intervención humana debido a la dificultad que representan para los sistemas robóticos convencionales. El estudio propone sustituir las arquitecturas modulares tradicionales por un enfoque integral basado en inteligencia artificial que aprende directamente a partir de demostraciones realizadas por operadores.
Una plataforma para promover la automatización robótica
Uno de los principales aportes del trabajo es el Industrial Dexterity Benchmark (IDB), un conjunto de paneles diseñado para reproducir escenarios presentes en distintos sectores industriales. La plataforma incluye aplicaciones relacionadas con la organización de cables en centros de datos, la fabricación de mazos de cables para la industria automotriz y operaciones de ensamblaje de cajas de cambios.
Los investigadores complementan este entorno con DAG-ROS, un marco escalable para aprendizaje por imitación, y AG-iDP3, una política multimodal basada en difusión que integra imágenes RGB, nubes de puntos tridimensionales, posiciones articulares y mediciones de fuerza y par capturadas desde la muñeca del robot.
Mejor desempeño en la manipulación de cables
Las pruebas experimentales se centraron en una tarea representativa de mantenimiento de infraestructura para centros de datos consistente en identificar, sujetar e insertar correctamente un cable individual.
La configuración con mejores resultados empleó una política de difusión enriquecida con información visual procedente de múltiples cámaras y procesada mediante un codificador R3M. Bajo estas condiciones el sistema alcanzó una tasa de éxito combinada del 78 %, frente al 36 % obtenido por la configuración de referencia basada en una única cámara RGB.
Cada variante del modelo fue entrenada utilizando aproximadamente cien demostraciones teleoperadas para cada fase de la tarea, una cantidad relativamente reducida para este tipo de aplicaciones industriales.
Hacia una automatización más robusta
Los resultados obtenidos indican que los modelos de aprendizaje por imitación multimodal pueden ofrecer una mayor robustez frente a variaciones del entorno y mejorar la capacidad de generalización respecto a los enfoques clásicos de visión artificial y control robótico.
Así mismo, la investigación plantea que este tipo de políticas de inteligencia artificial puede facilitar el despliegue de robots en procesos industriales donde la disponibilidad operativa y la repetibilidad son factores críticos. Esto abre la posibilidad de automatizar tareas que hasta ahora dependían de la intervención manual debido a su complejidad y precisión requerida.
Fuente: Arxiv.org
Foto: Shutterstock
