Una pinza de mano entrena IA robótica sin robot, según pruebas

Un operador sostiene una pinza de mano, realiza una tarea, y en la sala no se mueve ningún brazo robótico. Las cámaras registran exactamente lo que vería un robot. Ese es el núcleo de HIL-UMI, un nuevo método de un equipo dirigido por Hao Dong, de la Universidad de Pekín, en colaboración con el fabricante de robots personales PrimeBot, con sede en Shanghái. Sirve para recoger los datos de corrección que se usan para mejorar los modelos visión-lenguaje-acción, los sistemas de IA que convierten imágenes de cámara e instrucciones en movimientos de robot, sin necesidad de un robot en la fase de recogida.

Enseñar a un modelo de este tipo suele implicar dejar que un robot ejecute la tarea y falle. En el enfoque clásico, el DAgger con supervisión humana, o HG-DAgger, un operador observa cómo el robot ejecuta una tarea, toma el control cuando está a punto de fallar y luego restablece la escena. El bucle es preciso, pero lento: la mayor parte del tiempo se va en movimientos torpes del robot y en reinicios manuales, y no en los fotogramas que realmente enseñan algo al modelo.

HIL-UMI mantiene al humano en el bucle y cambia el lugar donde se ejecuta. El operador trabaja con una pinza de mano de Universal Manipulation Interface mientras la política actual predice acciones futuras sobre el mismo flujo de vídeo, sin controlar nada. Cuando una puntuación de energía (Energy Score) muestra que las acciones predichas por la política se apartan de la trayectoria del humano, el sistema pide demostraciones adicionales de ese segmento. Un segundo bucle entrena un estimador basado en el progreso que premia las acciones que avanzan la tarea frente al movimiento ocioso, y la política se actualiza tras cada ronda, de modo que las sesiones posteriores señalan casos más difíciles en lugar de los fáciles. En cuatro tareas reales con robot, doblar una toalla, limpiar una mesa, apilar bloques y estampar, el equipo informa de una puntuación media de progreso de 94,8 para HIL-UMI frente a 58,0 del ajuste fino supervisado simple con el mismo presupuesto de fotogramas, con puntuaciones perfectas en las dos tareas de precisión. En la tarea larga de limpieza de mesa, los autores citan 73,40 milisegundos por fotograma útil frente a 412,99 milisegundos con HG-DAgger, unas 5,63 veces más de eficiencia de recogida. Son resultados propios de los autores, y ningún grupo independiente los ha comprobado.

Para los fabricantes de robots, el cambio práctico está en quién puede recoger datos y dónde. Los autores sostienen que separar la corrección consciente de la política del despliegue del robot permitiría que más operadores recogieran datos de posentrenamiento en más lugares, sin una granja de robots aparcada en el laboratorio. Esa promesa solo se cumple si las ganancias se reproducen fuera del entorno de los autores. El artículo no fija una fecha para un uso más amplio y no dice cuánto cuesta la configuración con pinza de mano en comparación con una celda robótica.