Toyota Research Institute (TRI) revoluciona la enseñanza de habilidades a robots con inteligencia artificial generativa y sentido del tacto" En lugar de requerir cientos de horas de programación y corrección de errores, los investigadores de TRI han dado un paso audaz en la enseñanza de robots al utilizar inteligencia artificial generativa y dotar a los robots de un sentido del tacto. Este enfoque innovador ha permitido a los robots aprender tareas, como la preparación del desayuno, de manera más eficiente.
El sentido del tacto se ha revelado como un componente clave en este proceso, permitiendo a los robots "sentir" lo que están haciendo, lo que les brinda información adicional. Este avance ha simplificado tareas difíciles que antes solo podían realizarse mediante la visión.
Ben Burchfiel, gerente del laboratorio de manipulación hábil, comparte su emoción al observar cómo los robots interactúan con su entorno. Los robots aprenden de manera rápida y efectiva al ver a un "profesor" humano demostrar habilidades, y en cuestión de horas, adquieren nuevas habilidades de forma autónoma. Este método de enseñanza muestra resultados prometedores y se espera que se aplique a una amplia gama de tareas.
Los investigadores tienen como objetivo crear "Modelos de Comportamiento Amplio" (LBMs), que permitan a los robots aprender mediante la observación y generalizar nuevas habilidades sin instrucción específica. Este enfoque ha llevado al entrenamiento exitoso de más de 60 habilidades desafiantes, con planes de ampliar este número a 1,000 para 2024.
Este enfoque innovador en la enseñanza de robots encuentra paralelos en las investigaciones de Google y Tesla, que también están utilizando inteligencia artificial para que los robots aprendan de la experiencia. A medida que avanzan en este campo, existe la posibilidad de que los robots puedan realizar tareas con mínima o ninguna instrucción adicional, abriendo nuevas posibilidades en la automatización y la robótica.
Sin embargo, se reconoce que este tipo de investigación es un proceso lento y laborioso, y proporcionar suficientes datos de entrenamiento sigue siendo un desafío. Aunque los avances son prometedores, aún hay obstáculos por superar en el camino hacia la automatización total de tareas complejas.
