Calibrar los parámetros del objeto a través de una física diferenciable utilizando señales propioceptivas. Izquierda: nuestro método tiene como objetivo identificar parámetros de objetos, como las propiedades de masa y material de la esfera púrpura. Medio: utilizamos una física diferenciable para simular interacciones entre el robot y el objeto. Derecha: los parámetros del objeto se identifican supervisando la simulación de física diferenciable (arriba) utilizando señales propioceptivas (posiciones articulares, que se muestran como círculos verdes) del robot real (abajo). En particular, nuestro enfoque no requiere rastrear la trayectoria del objeto (círculos rojos); En cambio, se basa únicamente en los sensores internos del robot para el proceso de calibración. Crédito: ARXIV (2024). Doi: 10.48550/arxiv.2410.03920
Una basura humana de limpieza de un ático a menudo puede adivinar el contenido de una caja simplemente recogiéndola y sacudiéndola, sin la necesidad de ver lo que hay dentro. Investigadores del MIT, Amazon Robotics y la Universidad de Columbia Británica han enseñado a los robots a hacer algo similar.
Desarrollaron una técnica que permite a los robots usar solo sensores internos para aprender sobre el peso, la suavidad o el contenido de un objeto al recogerlo y sacudiéndolo suavemente. Con su método, que no requiere herramientas o cámaras de medición externas, el robot puede adivinar con precisión parámetros como la masa de un objeto en cuestión de segundos.
Esta técnica de bajo costo podría ser especialmente útil en aplicaciones donde las cámaras pueden ser menos efectivas, como clasificar objetos en un sótano oscuro o limpiar escombros dentro de un edificio que se derrumbó parcialmente después de un terremoto.
La clave de su enfoque es un proceso de simulación que incorpora modelos del robot y el objeto para identificar rápidamente las características de ese objeto a medida que el robot interactúa con él.
La técnica de los investigadores es tan buena para adivinar la masa de un objeto como algunos métodos más complejos y costosos que incorporan visión por computadora. Además, su enfoque eficiente de datos es lo suficientemente robusto como para manejar muchos tipos de escenarios invisibles.
“Esta idea es general, y creo que estamos rascando la superficie de lo que un robot puede aprender de esta manera. Mi sueño sería que los robots salgan al mundo, toquen las cosas y muevan las cosas en sus entornos, y descubren las propiedades de todo lo que interactúan por su cuenta”, dice Peter Yichen Chen, un postdocs de MIT y autor principal de la técnica.
Sus coautores incluyen al compañero MIT Postdoc Chao Liu; Pingchuan MA, Ph.D.; Jack Eastman, Meng; Dylan Randle y Yuri Ivanov de Amazon Robotics; Profesores del MIT de Ingeniería Eléctrica e Informática Daniela Rus, quien lidera el Laboratorio de Informática e Inteligencia Artificial del MIT (CSAIL); y Wojciech Matusik, quien lidera el grupo de diseño y fabricación computacional dentro de CSAIL.
La investigación se presentará en la Conferencia Internacional sobre Robótica y Automatización, y el documento está disponible en el servidor ARXIV Preprint.
Señales de detección
El método de los investigadores aprovecha la propiocepción, que es la capacidad de un humano o robot para sentir su movimiento o posición en el espacio.
Por ejemplo, un humano que levanta una mancuerna en el gimnasio puede sentir el peso de esa muñeca en su muñeca y bíceps, a pesar de que sostienen la pesa en la mano. De la misma manera, un robot puede “sentir” la pesadez de un objeto a través de las múltiples articulaciones en su brazo.
“Un humano no tiene mediciones súper precisas de los ángulos articulares en nuestros dedos o la cantidad precisa de torque que estamos aplicando a un objeto, pero un robot sí. Aprovechamos estas habilidades”, dice Liu.
A medida que el robot levanta un objeto, el sistema de los investigadores recopila señales de los codificadores articulares del robot, que son sensores que detectan la posición de rotación y la velocidad de sus articulaciones durante el movimiento.
Liu agrega la mayoría de los robots tienen codificadores articulares dentro de los motores que impulsan sus partes móviles. Esto hace que su técnica sea más rentable que algunos enfoques porque no necesita componentes adicionales como sensores táctiles o sistemas de seguimiento de visión.
Para estimar las propiedades de un objeto durante las interacciones robot-objeto, su sistema se basa en dos modelos: uno que simula el robot y su movimiento y otro que simula la dinámica del objeto.
“Tener un gemelo digital preciso del mundo real es realmente importante para el éxito de nuestro método”, agrega Chen.
Su algoritmo “observa” el robot y el objeto se mueven durante una interacción física y utiliza datos de codificadores conjuntos para trabajar hacia atrás e identificar las propiedades del objeto.
Por ejemplo, un objeto más pesado se moverá más lento que uno ligero si el robot aplica la misma cantidad de fuerza.
Simulaciones diferenciables
Utilizan una técnica llamada simulación diferenciable, que permite que el algoritmo predice cómo los pequeños cambios en las propiedades de un objeto, como la masa o la suavidad, afectan la posición de la articulación final del robot. Los investigadores construyeron sus simulaciones utilizando la Biblioteca Warp de NVIDIA, una herramienta de desarrollador de código abierto que admite simulaciones diferenciables.
Una vez que la simulación diferenciable coincide con los movimientos reales del robot, el sistema ha identificado la propiedad correcta. El algoritmo puede hacer esto en cuestión de segundos y solo necesita ver una trayectoria del mundo real del robot en movimiento para realizar los cálculos.
“Técnicamente, siempre que conozca el modelo del objeto y cómo el robot puede aplicar la fuerza a ese objeto, debería poder descubrir el parámetro que desea identificar”, dice Liu.
Los investigadores utilizaron su método para aprender la masa y la suavidad de un objeto, pero su técnica también podría determinar propiedades como el momento de inercia o la viscosidad de un fluido dentro de un contenedor.
Además, debido a que su algoritmo no necesita un conjunto de datos extenso para el entrenamiento como algunos métodos que dependen de la visión por computadora o los sensores externos, no sería tan susceptible a la falla cuando se enfrenta a entornos invisibles o nuevos objetos.
En el futuro, los investigadores quieren intentar combinar su método con la visión por computadora para crear una técnica de detección multimodal que sea aún más poderosa.
“Este trabajo no está tratando de reemplazar la visión por computadora. Ambos métodos tienen sus pros y contras. Pero aquí hemos demostrado que sin una cámara, ya podemos descubrir algunas de estas propiedades”, dice Chen.
También quieren explorar aplicaciones con sistemas robóticos más complicados, como robots blandos y objetos más complejos, incluidos líquidos de palo o medios granulares como la arena.
A la larga, esperan aplicar esta técnica para mejorar el aprendizaje de los robots, permitiendo a los futuros robots desarrollar rápidamente nuevas habilidades de manipulación y adaptarse a los cambios en sus entornos.
“Determinar las propiedades físicas de los objetos de los datos ha sido durante mucho tiempo un desafío en robótica, particularmente cuando solo hay mediciones limitadas o ruidosas disponibles. Este trabajo es significativo porque muestra que los robots pueden inferir con precisión las propiedades como la masa y la suavidad utilizando solo sus sensores conjuntos internos, sin depender de cámaras externas o herramientas de medición especializadas”, dice Miles Macklin, director senior de tecnología simulación en Nvidia, que no se involucra con esta investigación.
Más información: Peter Yichen Chen et al, Propiedades de los objetos de aprendizaje utilizando Robot ProPrioception a través de la interacción diferenciable del objeto robot, ARXIV (2024). Doi: 10.48550/arxiv.2410.03920
Información en la revista: ARXIV proporcionado por el Instituto de Tecnología de Massachusetts
Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/NewsOffice/), un sitio popular que cubre noticias sobre la investigación del MIT, la innovación y la enseñanza.
Cita: el sistema permite que los robots identifiquen las propiedades de un objeto a través del manejo (2025, 8 de mayo) recuperado el 8 de mayo de 2025 de https://techxplore.com/news/2025-05-robots-properties.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
