Robots docentes para cuatro grandes entornos

Un robot que busca trabajadores atrapados en el pozo de una mina parcialmente colapsada debe generar rápidamente un mapa de la escena e identificar su ubicación dentro de esa escena mientras navega por el traicionero terreno.

Recientemente, los investigadores han comenzado a construir potentes modelos de aprendizaje automático para realizar esta compleja tarea utilizando únicamente imágenes de la cámara integrada del robot, pero incluso los mejores modelos sólo pueden procesar unas pocas imágenes a la vez. En un desastre del mundo real donde cada segundo cuenta, un robot de búsqueda y rescate necesitaría atravesar rápidamente grandes áreas y procesar miles de imágenes para completar su misión.

Para superar este problema, los investigadores del MIT utilizaron ideas de modelos recientes de visión de inteligencia artificial y visión por computadora clásica para desarrollar un nuevo sistema que puede procesar una cantidad arbitraria de imágenes. Los sistemas generan eficientemente mapas 3D de escenas complejas, como un pasillo de oficinas lleno de gente, en cuestión de segundos.

El sistema impulsado por IA crea y alinea submapas más pequeños de la escena, que une para reconstruir un mapa 3D completo mientras estima la posición del robot en tiempo real.

A diferencia de muchos otros enfoques, las técnicas no requieren cámaras calibradas ni un experto en ajustar una aplicación de sistema compleja. La naturaleza más simple de su enfoque, junto con la velocidad y la calidad de su reconstrucción 3D, facilitaría la ampliación para aplicaciones del mundo real.

Además de ayudar a los robots de búsqueda y rescate a navegar, este método podría usarse para crear aplicaciones de realidad aumentada para dispositivos portátiles como auriculares de realidad virtual o permitir que los robots industriales encuentren y muevan rápidamente mercancías dentro de un almacén.

“Para que los robots realicen tareas cada vez más complejas, necesitan representaciones cartográficas más complejas del mundo que los rodea. Pero al mismo tiempo, no queremos dificultar la aplicación de estos mapas en la práctica. Hemos demostrado que es posible generar una reconstrucción 3D precisa en cuestión de segundos con una herramienta que funciona de inmediato”, dice Dominic Maggio, autor del MIT y estudiante de posgrado sobre este método.

El posdoctorado Hyungtae Lim y el autor principal Luca Carlone, profesor asociado en el Departamento de Aeronáutica y Astronáutica del MIT (AeroAstro), investigador principal en el Laboratorio de Sistemas de Información y Decisión (LIDS) y director del Laboratorio SPARK del MIT. La investigación se presentará en la Conferencia sobre Sistemas de Procesamiento de Información Neural.

Trazar una solución

Durante años, los investigadores han estado lidiando con un elemento esencial de la navegación robótica llamado localización y mapeo simultáneos (SLAM). En SLAM, un robot recrea un mapa de su entorno mientras se orienta en el espacio.

Los métodos de optimización tradicionales para esta tarea tienden a fallar en escenas difíciles o requieren que la cámara integrada del robot esté calibrada con antelación. Para evitar estos obstáculos, los investigadores entrenan modelos de aprendizaje automático para aprender esta tarea a partir de los datos.

Si bien son más sencillos de implementar, incluso los mejores modelos sólo pueden procesar alrededor de 60 imágenes de cámara a la vez, lo que los hace poco prácticos para aplicaciones en las que un robot necesita moverse rápidamente a través de un entorno variado mientras procesa miles de imágenes.

Para solucionar este problema, los investigadores del MIT crearon un sistema que genera submapas más pequeños de la escena en lugar del mapa completo. El método “pega” estos submapas en una reconstrucción 3D general. El modelo aún procesa algunas imágenes a la vez, pero el sistema puede recrear escenas más grandes más rápido uniendo submapas más pequeños.

“Parecía una solución muy simple, pero cuando la probé por primera vez, me sorprendió que no funcionara bien”, dijo Maggio.

Buscando una explicación, investigó artículos de investigación sobre visión por computadora de los años 1980 y 1990. A través de este análisis, Maggio se dio cuenta de que los errores en la forma en que los modelos de aprendizaje automático procesaban las imágenes hacían que la alineación de los submapas fuera un problema más complejo.

El método tradicional para alinear submapas es aplicando rotación y traslación hasta que se alineen. Pero estos nuevos modelos pueden introducir algunas ambigüedades en los submapas, haciéndolos más difíciles de alinear. Por ejemplo, un submapa 3D de un lado de una habitación puede tener paredes ligeramente curvadas o estiradas. Simplemente rotar y traducir estos submapas deformados para alinearlos no funciona.

“Necesitamos asegurarnos de que todos los submapas se deformen de manera consistente para que podamos alinearnos adecuadamente entre sí”, explica Carlone.

Un enfoque más flexible

Tomando prestadas ideas de la visión por computadora clásica, los investigadores desarrollaron una técnica matemática más flexible que puede representar todas las deformaciones de estos submapas. Al aplicar transformaciones matemáticas a cada submapa, este método más flexible puede alinearlos de una manera que aborde la ambigüedad.

A partir de imágenes de entrada, el sistema produce una reconstrucción 3D de la escena y estimaciones de las ubicaciones de las cámaras, que el robot utilizaría para localizarse en el espacio.

“Una vez que Dominic tuvo la intuición de unir estos dos mundos (el enfoque basado en el aprendizaje y los métodos de optimización tradicionales), la implementación fue bastante sencilla”, dice Carlone. “Crear algo tan efectivo y simple tiene potencial para muchas aplicaciones.

Los sistemas funcionan más rápido y con menos errores de reconstrucción que otros métodos, sin requerir cámaras especiales ni herramientas adicionales para procesar los datos. Los investigadores han producido reconstrucciones 3D casi en tiempo real de escenas complejas como el interior de la Capilla del MIT utilizando únicamente vídeos cortos capturados con un teléfono móvil.

El error medio en estas reconstrucciones 3D fue inferior a 5 centímetros.

En el futuro, los investigadores quieren hacer que el método sea más fiable para escenas especialmente complicadas y trabajar para aplicarlo en robots reales en entornos difíciles.

“Conocer la geometría tradicional vale la pena. Si comprende profundamente lo que sucede en el modelo, puede obtener mejores resultados y hacer que las cosas sean más escalables”, dijo Carlone.

Este trabajo cuenta con el apoyo, en parte, de la Fundación Nacional de Ciencias de EE. UU., la Oficina de Investigación Naval de EE. UU. y la Fundación Nacional de Investigación de Corea. Carlone, actualmente en un año sabático como Amazon Scholar, completó este trabajo antes de unirse a Amazon.