Se inaugura el "jardín de infancia para robots" en Beijing

El martes se inauguró en el distrito de Shijingshan, en Beijing, un “jardín de infancia para robots”, que explora una metodología distinta para el entrenamiento robótico: en lugar de que los seres humanos demuestren cada tarea, los investigadores buscan que los robots aprendan mediante el tacto, los ensayos y errores y su propia experiencia.

Esta instalación es un proyecto conjunto de la empresa china especializada en percepción táctil Tashan Technology y el equipo de Richard Sutton, ganador del Premio Turing y pionero del aprendizaje por refuerzo, centrándose en la percepción táctil y el aprendizaje continuo.

El Global Times observó cómo los robots del recinto repetían movimientos, recibían retroalimentación de la interacción física y modificaban su comportamiento. Por ejemplo, si un robot choca contra una pared mientras aprende a caminar, esa colisión pasa a formar parte de su experiencia. Registra lo ocurrido, vuelve a intentarlo y ajusta su movimiento para no repetir el mismo error. Aquí, el propio fracaso se convierte en datos de aprendizaje.

Durante el acto de inauguración, Sutton manifestó que el proyecto busca brindar un entorno seguro donde los robots puedan conocer su propio cuerpo e interactuar con el mundo físico a través de la experiencia. Señaló que esto requiere no solo nuevos algoritmos, sino también robots y entornos diseñados específicamente para el aprendizaje. Los fallos serán parte del proceso, afirmó, y añadió que los investigadores, al igual que los propios robots, deben aprender, adaptarse y seguir experimentando.

Ma Yang, director ejecutivo de Tashan Technology, explicó que esta instalación permite a los robots aprender mediante el tacto y los ensayos y errores dentro de un entorno controlado, modificando su conducta a partir de la retroalimentación del mundo real.

China ha venido ampliando sus instalaciones de entrenamiento para robots humanoides, a medida que la industria avanza hacia su implementación en entornos reales. Las bases de entrenamiento de los distritos de Yizhuang y Shijingshan en Beijing, por ejemplo, han recreado escenarios reales donde los robots practican tareas que van desde operaciones de precisión hasta labores domésticas.

Gran parte de este entrenamiento se apoya en datos obtenidos mediante demostraciones humanas, teleoperación o captura de movimiento. Sin embargo, el “jardín de infancia para robots” se plantea una pregunta distinta: ¿pueden los robots seguir aprendiendo y adaptándose a partir de su propia experiencia en el mundo físico?

Kris De Asis, investigador sénior del instituto canadiense Openmind Global Research, declaró al Global Times que muchos robots actuales se entrenan mediante demostraciones humanas, datos de teleoperación o simulaciones; una vez finalizado este proceso, su comportamiento aprendido queda en gran medida fijo. Por el contrario, el aprendizaje continuo busca que los robots sigan adaptándose después de su puesta en funcionamiento, incluso ante objetos y situaciones que no aparecían en su entrenamiento original.

Este método es más lento que el aprendizaje por imitación, pero según Kris la diferencia radica principalmente en “beneficios a largo plazo frente a beneficios a corto plazo”. También señaló que el hardware constituye un obstáculo inmediato: los robots deben ser lo suficientemente resistentes para soportar los errores que forman parte del aprendizaje. “Si no puede cometer errores, no puede aprender”, afirmó.

Wang Peng, investigador asociado de la Academia de Ciencias Sociales de Beijing, indicó al Global Times que la exploración autónoma puede ayudar a los robots a superar los límites del entrenamiento orientado a tareas concretas y desarrollar una comprensión más fundamental del mundo físico. En lugar de depender en gran medida de grandes volúmenes de datos etiquetados por humanos o de teleoperación, los robots pueden generar información valiosa mediante la interacción real, creando un ciclo continuo de exploración, retroalimentación y mejora.

A largo plazo, según Wang, la experiencia acumulada por cada robot podría incorporarse a modelos compartidos y transferirse entre distintas máquinas, permitiendo que los robots mejoren mientras realizan su trabajo. Este modelo resultaría especialmente útil en entornos complejos, donde es imposible recopilar demostraciones para cada situación posible de antemano.

No obstante, esta tecnología se encuentra todavía en fase inicial. Kris comentó que un pequeño robot con forma de araña de la instalación aprendió a avanzar en unos 40 minutos sin conocimientos previos, aunque se trataba de una tarea muy específica. Para los robots humanoides complejos, el aprendizaje implica muchísimas más variables: equilibrio, consumo energético, control de temperatura y autoprotección, entre otros.

Por el momento, este aprendizaje autónomo complementará, en lugar de sustituir, la teleoperación, el aprendizaje por imitación y la simulación. Pero a medida que los robots pasen de las demostraciones a los entornos fabriles, servicios comerciales y, finalmente, los hogares, Wang considera que esta línea se convertirá en una dirección importante de la robótica, permitiendo que las máquinas sigan aprendiendo y adaptándose a nuevas circunstancias tras su puesta en marcha.