es.wedoany.com Noticia: Investigadores del Instituto de Tecnología de Georgia (Georgia Institute of Technology) han desarrollado un marco de aprendizaje automático denominado "Aprender para Enseñar" (Learn to Teach), que entrena simultáneamente dos modelos de aprendizaje por refuerzo para permitir que robots humanoides bípedos atraviesen terrenos complejos como arena, grava suelta, superficies interiores resbaladizas y pendientes pronunciadas.
El método tradicional de aprendizaje por refuerzo "profesor-alumno" primero entrena un modelo "profesor" simulado que posee información completa del entorno, y luego transfiere su conocimiento al algoritmo "alumno" del robot físico. Feiyang Wu, estudiante de doctorado en aprendizaje automático del Instituto de Tecnología de Georgia, señala que este modelo de entrenamiento secuencial presenta dos problemas: primero, el entrenamiento continuo consume demasiado tiempo; segundo, se desperdicia gran parte de la información ambiental recopilada por el profesor durante el proceso. Dado que la simulación depende de costosos chips GPU, el aumento del tiempo de cálculo eleva directamente los costos de desarrollo.
La solución del equipo consiste en entrenar simultáneamente los modelos profesor y alumno. El profesor ya no necesita convertirse en un experto antes de comenzar a enseñar, sino que puede transmitir gradualmente el conocimiento adquirido a lo largo del camino al alumno. Al mismo tiempo, el profesor también aprende de los errores del alumno, reduciendo así la "brecha de imitación profesor-alumno", es decir, el problema de que el robot físico tenga un rendimiento inferior debido a la falta de datos abundantes del entorno simulado.
En las pruebas realizadas con un robot humanoide físico en el laboratorio del profesor asociado Ye Zhao, este controlador demostró un rendimiento superior al del software estándar proporcionado por el fabricante del robot. Incluso cuando los investigadores empujaban y tiraban con fuerza, el robot podía ajustar su marcha de forma autónoma y mantenerse en pie. Este método ha sido presentado en la Conferencia Internacional de Robótica y Automatización del IEEE (IEEE International Conference on Robotics and Automation).
Este marco demuestra un cambio del cálculo intensivo hacia la eficiencia algorítmica. Al demostrar que el entrenamiento concurrente puede lograr un mejor rendimiento de equilibrio con menos cálculo en terrenos no modelados, el Instituto de Tecnología de Georgia ha reducido las barreras de entrada para pequeñas empresas emergentes y laboratorios académicos en el desarrollo de tecnología robótica. El marco "Aprender para Enseñar" es universal y, en el futuro, podría aplicarse a brazos robóticos en instalaciones de fabricación o drones automatizados en almacenes para acortar el tiempo de comercialización de sistemas de automatización especializados.
Sin embargo, esta tecnología aún enfrenta obstáculos para su aplicación comercial. Los investigadores aún no han publicado datos de referencia precisos, y el ahorro en costos de cálculo es solo una conclusión indicativa. Además, el entorno industrial exige estrictos requisitos de certificación de seguridad, y las redes neuronales pueden tener comportamientos de decisión impredecibles al enfrentar obstáculos nunca vistos. Las empresas se muestran cautelosas a la hora de implementar este tipo de controladores flexibles hasta que se establezcan protocolos de prueba altamente estandarizados.
