La IA física en el mundo real

La IA física promete robots capaces de percibir, adaptarse y actuar en el mundo físico con mucha menos ingeniería específica para cada tarea que la automatización tradicional.

Es una propuesta convincente: robots que aprenden a partir de demostraciones, mejoran con la experiencia, utilizan modelos de visión y lenguaje para interpretar tareas y trabajan en entornos menos estructurados.

Para desarrolladores de robots, investigadores de IA física y equipos de Robótica con IA como base, estas capacidades permiten abordar aplicaciones que tradicionalmente han sido demasiado variables, costosas o complejas para automatizarlas.

Cuando los sistemas de IA física pasan de la simulación a aplicaciones reales, los requisitos cambian. Los modelos y las simulaciones siguen siendo esenciales, pero los robots interactúan finalmente con el mundo físico mediante brazos, pinzas, sensores y herramientas que entran en contacto directo con los objetos.

Para pasar de la investigación al despliegue, la IA física necesita una capa de interacción física fiable.

Esto es precisamente lo que OnRobot lleva desarrollando desde hace más de una década.

Antes de que la “IA física” formara parte del vocabulario de la robótica, OnRobot ya abordaba muchos de los retos prácticos que definen hoy su investigación, como la adaptabilidad, la detección, la retroalimentación y la capacidad de gestionar variaciones del mundo real. Nuestras herramientas de final de brazo eléctricas, flexibles y con capacidad de retroalimentación están diseñadas para funcionar de forma fiable en entornos dinámicos reales. Más de 22.000 productos OnRobot están instalados en todo el mundo en una amplia variedad de aplicaciones.

2. Los modelos más avanzados necesitan una capa de ejecución fiable

A medida que los modelos fundacionales, el aprendizaje robótico, los sistemas de visión-lenguaje-acción y la simulación se vuelven más avanzados, aumenta la importancia de la capa de ejecución.

El movimiento robótico está relativamente maduro en comparación con la manipulación en el mundo real. Esto se debe a que la manipulación depende de variables físicas que no pueden eliminarse ni modelarse a la perfección.

Por eso el efector final es tan importante.

3. Los datos de contacto complementan la simulación y la visión

La simulación permite a los equipos entrenar, probar e iterar rápidamente. La visión ayuda a los robots a reconocer objetos, comprender escenas y planificar acciones.

La manipulación fiable también requiere retroalimentación física. En los sistemas basados en aprendizaje, unos datos de interacción más completos pueden mejorar el entrenamiento, la validación y el análisis de fallos.

La dinámica de contacto, incluida la fricción, la elasticidad, el deslizamiento, la deformación, la inercia y las variaciones de superficie, es difícil de reproducir mediante simulación. Un agarre que funciona en la simulación puede fallar en el mundo real porque el objeto se desplaza, la superficie se comporta de otra forma o la pieza ofrece resistencia al contacto.

Una cámara puede localizar un objeto, pero no siempre puede determinar si está sujeto de forma segura. También puede pasar por alto pequeños deslizamientos, contactos asimétricos, resistencia durante la inserción y una fuerza excesiva.

Estas limitaciones convierten la retroalimentación multimodal en una parte importante de la IA física.

Los distintos tipos de retroalimentación capturan diferentes fases de una interacción. Los sensores de proximidad aportan datos antes del contacto. Los sensores de fuerza/par pueden proporcionar información durante el contacto. La detección de agarre confirma si el robot ha sujetado un objeto. Los datos sobre la anchura de la pinza aportan información acerca del objeto y del estado del agarre, mientras que las señales de éxito y fallo respaldan los ciclos de aprendizaje.

La pinza RG2-FT combina

4. La manipulación flexible requiere la herramienta adecuada para cada tarea

La IA física suele asociarse con robots de uso general, pero ningún efector final es ideal para todas las tareas.

Los distintos objetos y aplicaciones requieren diferentes formas de interacción:

Cuando se espera que los robots gestionen variaciones, aprendan de la experiencia o trabajen en múltiples tareas, el efector final pasa a formar parte de la arquitectura del sistema. Determina qué puede agarrar, levantar, sujetar, insertar, presionar, tirar, cambiar o soltar el robot. También influye en la retroalimentación disponible para el controlador o el modelo.

La cartera de OnRobot se creó en torno a esta realidad práctica antes de que la IA física se convirtiera en un concepto destacado. Sus herramientas eléctricas, flexibles y con retroalimentación fueron diseñadas para facilitar a los fabricantes el despliegue, la adaptación y la reutilización de la automatización en distintas aplicaciones.

Esa misma filosofía de diseño coincide ahora estrechamente con lo que necesitan los investigadores de IA física y las empresas de Robótica con IA como base.

Diseñado para las variaciones del mundo real

La siguiente fase de la IA física dependerá de modelos más potentes, mejores datos, simulaciones mejoradas y plataformas robóticas más avanzadas. También dependerá de la capa de interacción física formada por pinzas, sensores, cambiadores de herramientas y tecnologías de final de brazo que permiten a los modelos actuar de forma fiable en el mundo real.

Las herramientas de final de brazo ya no son simplemente el último componente que se añade a un robot. Son una parte integral de los sistemas de aprendizaje avanzados.

La cartera de OnRobot, de eficacia probada en la industria, ofrece a investigadores, desarrolladores de robots y fabricantes una base flexible para pasar de modelos prometedores a una manipulación fiable en el mundo real.