Parte 7/10
La tarea de verter un líquido en un vaso requiere un control preciso de los movimientos del robot y capacidad de adaptación a distintas condiciones, como diferentes niveles de líquido y diferentes posiciones y formas del vaso. Los métodos convencionales llegan aquí a sus límites, ya que a menudo son poco flexibles y difíciles de adaptar a nuevas situaciones. Los métodos de machine learning ofrecen para ello una alternativa prometedora.
Con el aprendizaje automático, el sistema puede aprender mediante la interacción con el entorno, desarrollar estrategias óptimas y adaptarse dinámicamente a condiciones cambiantes. En HIRAC apostamos por métodos actuales de aprendizaje automático, en particular el deep learning y el reinforcement learning.
Reinforcement learning (RL)
El reinforcement learning (aprendizaje por refuerzo) es un ámbito del aprendizaje automático en el que un denominado agente aprende a tomar decisiones óptimas mediante la interacción con su entorno.
A través del éxito y el fracaso durante el entrenamiento, el agente intenta desarrollar una estrategia para minimizar los fracasos. Los criterios de éxito y fracaso se definieron de antemano junto con la Hochschule Offenburg y sirven como base para el entrenamiento.
El machine learning desempeña un papel tan importante en este proyecto porque el sistema debe ampliarse a distintos brazos robóticos. Con el reinforcement learning, el modelo aprendido puede transferirse a distintos robots y volver a entrenarse con adaptaciones mínimas. Tras un breve tiempo de entrenamiento, el sistema puede aprender, por ejemplo, distintas secuencias de movimiento para diferentes brazos robóticos.
kununu