Robótica adaptable - Enciclopedia

La Robótica Adaptativa se refiere a un campo de la robótica centrado en la creación de sistemas robóticos capaces de ajustar sus componentes de hardware y software para realizar una amplia gama de tareas y adaptarse a entornos variables. Las décadas de 1960 introdujeron la robótica en el campo industrial. Desde entonces, la necesidad de crear robots con nuevas formas de actuación, adaptabilidad, detección y percepción, y hasta la capacidad de aprender, ha surgido el campo de la robótica adaptativa. Desarrollos significativos como el robot PUMA, la investigación en manipulación, la robótica blanda, la robótica en enjambres, la inteligencia artificial, los cobots, los enfoques bioinspirados y más investigaciones en curso han avanzado enormemente en el campo de la robótica adaptativa. Los robots adaptativos suelen asociarse con su kit de desarrollo, típicamente utilizado para crear robots móviles autónomos. En algunos casos, un kit adaptable seguirá siendo funcional incluso cuando ciertos componentes se dañen.

Los sistemas de robótica adaptativa se adaptan con éxito a su entorno utilizando técnicas como el diseño modular, el aprendizaje automático y la retroalimentación de sensores. Con esto, han revolucionado varias industrias y pueden abordar muchos desafíos del mundo real en los campos médico, industrial, extraterrestre y experimental. Aún quedan muchas dificultades por superar en la robótica adaptativa, lo que representa oportunidades de crecimiento en el campo.

Conceptos fundamentales
Un robot adaptativo típicamente tiene atributos que lo distinguen de los robots que realizan su tarea sin importar los factores externos. Cuatro conceptos que utilizan los robots adaptativos para esta distinción son la adaptabilidad, la detección y percepción, el aprendizaje e inteligencia y la actuación.

= Adaptabilidad =
Un robot se puede definir como adaptativo cuando posee capacidades como seguridad intrínseca y rendimiento sin compromisos, la capacidad de aprender y la capacidad de realizar tareas que los robots tradicionales no pueden. Estas capacidades pueden lograrse a través de tecnologías de control de fuerza, inteligencia jerárquica y otros enfoques innovadores. La invención de John Adler en 1994, el cyberknife, es un sistema de cirugía robótica que es capaz de utilizar precisión ultra-fina en procedimientos médicos, lo que demuestra tales adaptaciones.

= Detección y percepción =
La información ambiental recopilada a través de periféricos se procesa de manera inteligente en sistemas adaptativos. Los sistemas de inteligencia artificial pueden procesar estos datos y ajustar las acciones primarias en consecuencia, llevando a acciones adaptadas. En 2001, el Canadarm 2 fue lanzado a la ISS y jugó un papel clave en el mantenimiento de la estación, utilizando datos de periféricos para adaptar la ISS a los cambios ambientales dentro de ella.

= Aprendizaje e inteligencia =
La inteligencia artificial, el aprendizaje automático y el aprendizaje profundo permiten a los sistemas aprender sobre el mundo que los rodea y volverse más inteligentes a medida que ejecutan sus tareas. En 1997, el robot Sojourner fue lanzado a Marte, con una computadora a bordo que le permitía adaptarse a eventos y obstáculos inesperados incluso con datos mínimos; un precursor a la adición de inteligencia artificial en sistemas adaptativos. Más tarde ese año, el computador Deep Blue de IBM derrotó a Garry Kasparov en un juego de ajedrez, un hito para la capacidad de planificación y reacción de la inteligencia artificial robótica.

= Actuación =
La actuación en sistemas robóticos permite que el robot se mueva. Los actuadores adaptativos suelen funcionar en respuesta a cambios ambientales, como cambios de temperatura que pueden cambiar la forma del actuador, alterando así su funcionalidad. La actuación autónoma (desatendida) es posible, especialmente en la robótica blanda, donde los estímulos externos pueden cambiar la forma del actuador, creando energía mecánica. En 1989, Rodney Brooks creó a Ghengis, un robot hexápodo capaz de cruzar terrenos difíciles. El modelo Hexapedal utiliza seis actuadores para la movilidad y ha sido prominente en modelos hexápodos modernos como el Rhex.

Software
Los kits incluyen una plataforma de software abierta adaptada a una amplia gama de funciones robóticas comunes. Los kits también incluyen hardware robótico común que se conecta fácilmente con el software (sensores infrarrojos, motores, micrófono y cámara de video), lo que amplía las capacidades del robot. El proceso de modificar un robot para lograr capacidades variables como la colaboración podría incluir la selección de un módulo, el intercambio de módulos, instrucciones robóticas a través de software y ejecución.

Tipos


= Robótica blanda =
La robótica con dispositivos de agarre blandos es un campo emergente en la escena de la robótica adaptativa que se basa en la Venus flytrap. Dos superficies robóticas blandas proporcionan módulos de agarre envolvente y apretón. Esta tecnología se ha probado en una variedad de entornos para determinar los efectos de diversos objetos, errores de posición de objetos y la instalación de superficies robóticas blandas en la capacidad de agarre. La actuación desatendida es posible, especialmente en robots blandos con polimeros de cristal líquido, una categoría de materiales de respuesta a estímulos con efecto de memoria de forma bidireccional. Esto permite que los polimeros de cristal líquido generen energía mecánica al cambiar de forma en respuesta a estímulos externos, por lo tanto, actuación desatendida.

= Robots modulares =
Los robots diseñados para el uso al aire libre que se adaptan a paisajes y obstáculos variables. Estos se construyen como una cadena de módulos individuales con juntas de bisagra simples, permitiendo a los robots modulares moldearse en diversas formas para cruzar el terreno. Algunas de estas formas incluyen configuraciones como araña, serpentina y bucle.

= Robótica en enjambres =
Un campo de robótica que utiliza inteligencia en enjambres para grupos de robots homogéneos simples. Los robots en enjambre siguen algoritmos, generalmente diseñados para imitar el comportamiento de los animales reales, para determinar sus movimientos en respuesta a estímulos ambientales.

= Robótica biohíbrida =
La robótica biohíbrida utiliza tejidos o células vivos para proporcionar a las máquinas funciones que serían difíciles de lograr de otra manera. Por ejemplo, se han utilizado células musculares para permitir que ciertos robots biohíbridos se muevan. La robótica en enjambres se combina con la biohíbrida en ciertos casos, especialmente dentro del campo médico. Los robots híbridos insecto-máquina, también conocidos como insectos ciber-organismos o insecto-biobots, son la fusión de un insecto vivo y un sistema de control artificial integrado en su cuerpo para controlar su locomoción o comportamientos.

Aplicaciones
La robótica adaptativa posee capacidades que la han hecho aplicable a muchos campos, incluyendo, pero no limitado al, el médico, industrial y experimental.

El aprendizaje por demostración es una estrategia para transferir habilidades motrices humanas a los robots. El objetivo principal es identificar movimientos primitivos significativos, movimientos significativos que realizan los humanos, a partir de la demostración y volver a realizar estos movimientos para adaptar al robot a ese movimiento. Han habido algunos problemas con los robots que no pueden adaptar las habilidades aprendidas por aprendizaje por demostración a nuevos entornos (un cambio del escenario en el que se dio la demostración inicial al robot). Estos problemas con el aprendizaje por demostración se han abordado con un modelo de aprendizaje basado en un sistema dinámico no lineal que codifica trayectorias como movimientos primitivos dinámicos, que son similares a los movimientos primitivos, pero son movimientos significativos representados por una ecuación matemática; los variables de la ecuación cambian con el cambio del entorno, alterando el movimiento realizado. Las trayectorias registradas a través de estos sistemas se han demostrado aplicables a una amplia variedad de entornos, haciendo a los robots más efectivos en sus respectivos campos. El aprendizaje por demostración ha avanzado la aplicabilidad de la robótica en campos donde la precisión es esencial, como los entornos quirúrgicos.

En el campo médico, la tecnología SAR se centra en tomar datos sensoriales de periféricos portátiles para percibir el estado del usuario. La información recopilada permite a la máquina proporcionar monitoreo personalizado, motivación y entrenamiento para la rehabilitación. Las interfaces intuitivas de HRI entre humanos y robots permiten funcionalidades como la grabación de los movimientos de un cirujano para inferir su intención, determinar los parámetros mecánicos del tejido humano y otros datos sensoriales para utilizar en escenarios médicos. La robótica biohíbrida tiene aplicaciones médicas que utilizan componentes biodegradables para permitir que los robots funcionen de manera segura dentro del cuerpo humano.

La inteligencia artificial, el aprendizaje automático y el aprendizaje profundo han permitido avances en la robótica adaptativa como la navegación autónoma, el reconocimiento y manipulación de objetos, el procesamiento de lenguaje natural y la mantenimiento predictivo. Estas tecnologías han sido esenciales en el desarrollo de cobots (robots colaborativos), que son robots capaces de trabajar junto a humanos y de adaptarse a entornos variables.

En el campo industrial, la inteligencia artificial, el aprendizaje automático y el aprendizaje profundo se pueden utilizar para realizar verificaciones de control de calidad en productos fabricados, identificar defectos en productos y alertar a los equipos de producción para realizar cambios necesarios en tiempo real.

Desafíos y limitaciones
Los sistemas que involucran la colaboración física entre humanos y robots son difíciles de diseñar bien debido a la incertidumbre humana. Los humanos alteran la fuerza de sus movimientos regularmente debido a factores humanos como las emociones, los procesos biológicos y otros factores externos desconocidos para un robot. Esto puede hacer que los datos sensoriales sean difíciles de cuantificar para una adaptación exitosa en los robots. Además, las necesidades específicas, características y preferencias que un paciente en un escenario médico puede necesitar pueden variar de persona a persona. Los sistemas robóticos adaptativos necesitan un tiempo prolongado para adaptarse al nuevo entorno introducido de paciente a paciente.

La necesidad de datos confiables de tecnologías sensoriales es un desafío para los sistemas adaptativos, especialmente en el ámbito de la inteligencia artificial. A medida que los modelos de inteligencia artificial se vuelven cada vez más avanzados, la necesidad de desarrollar tecnologías periféricas capaces de proporcionar la información necesaria para estos sistemas se vuelve cada vez más desafiante. Además, la necesidad de entornos dinámicos para entrenar algoritmos de inteligencia artificial resulta ser desafiante, ya que no todos los escenarios en los que se puede encontrar una máquina durante el entrenamiento se le presentarán.

Los robots en enjambres se ven limitados por la interferencia y las colisiones, la incertidumbre, la falta de especialización y la falta de comprensión del patrón de comportamiento del enjambre. La robótica biohíbrida tiene desafíos con las células vivas, que son delicadas aunque sean adaptables a una variedad de entornos debido a las propiedades del material biológico.

Véase también
Robot doméstico
Terrainabilidad

Referencias