Robots domésticos más inteligentes

Si queremos que algún día resulte práctico el uso de robots domésticos, estos deberán ser capaces de reconocer los objetos que se supone que deben manipular para realizar las tareas del hogar. Pero pese a que el reconocimiento de objetos es uno de los campos más estudiados de la inteligencia artificial, los dispositivos dedicados a esta labor suelen tener una fiabilidad deficiente. Pero los investigadores del Laboratorio de Computación e Inteligencia Artificial del MIT tienen un enfoque novedoso sobre este tema: afirman que debemos aprovecharnos de la movilidad de los robots domésticos, así como del ambiente relativamente estático en que trabajarán, para simplificar el reconocimiento de objetos. La idea es que los robots se formen imágenes de los objetos desde múltiples perspectivas antes de emitir un juicio sobre su identidad.

Y esa idea es la que desarrollan en el nuevo número de International Journal of Robotics Research, que muestra cómo un sistema basado en un algoritmo de agregación de múltiples perspectivas es capaz de reconocer cuatro veces más objetos que otro basado en un único punto de vista, reduciendo además el porcentaje de errores de identificación. Según uno de los autores del estudio, el ingeniero eléctrico e informático Lawson Wong, recurrir a múltiples perspectivas resulta fundamental si queremos evitar que obstáculos físicos o el ángulo de iluminación arruinen los intentos de identificación de los robots.

Sin embargo, incluso esa solución plantea sus propios retos computacionales: el primer algoritmo que desarrollaron se basaba en otro usado durante años para sistemas de seguimiento como el radar, y permitía generar múltiples hipótesis sobre a qué objetos correspondía cada una de las imágenes, debiendo descartar la mayor parte de ellas sobre la marcha, según se añadían nuevas perspectivas. Pero aún así, la clasificación final de opciones era una tarea que requería de muchos cálculos… y tiempo.

Así, los investigadores del MIT decidieron desarrollar un algoritmo más eficiente cambiando el enfoque: no descartaría ninguna de las opciones, pero tampoco las sondearía todas, sino muestras al azar. Así, un número lo bastante amplio de muestras terminaría produciendo un consenso sobre la correspondencia con objetos de una serie de imágenes consecutivas. El resultado final es un algoritmo de reconocimiento de objetos 10 veces más eficiente que su antecesor.