La robótica doméstica ha enfrentado numerosos desafíos que han limitado su éxito. Aspectos como el precio, la practicidad, el diseño y la capacidad de mapeo han sido barreras significativas. Aun resolviendo estos problemas, surge la interrogante de cómo gestionar los errores inevitables que pueden ocurrir. Históricamente, este ha sido un punto crítico no solo en el ámbito doméstico sino también en el industrial, donde las grandes corporaciones tienen más recursos para solucionar problemas conforme surgen. Sin embargo, no es práctico esperar que los consumidores aprendan a programar o contraten ayuda cada vez que un robot se encuentre con un obstáculo.
Una reciente investigación del Instituto Tecnológico de Massachusetts (MIT) propone una solución innovadora a este dilema, utilizando modelos de lenguaje grandes (LLMs, por sus siglas en inglés) en el espacio de la robótica. Este estudio, que se presentará en la Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR) en mayo, introduce un método para inculcar una forma de “sentido común” en los robots, permitiéndoles corregir sus errores de manera autónoma.
Los robots son excepcionales imitadores; sin embargo, si no se programan para ajustarse a cada imprevisto, pueden quedar atascados sin saber cómo proceder. Tradicionalmente, ante un problema, un robot agotaría sus opciones preprogramadas antes de requerir intervención humana. Esto representa un desafío particular en ambientes no estructurados, como los hogares, donde cualquier cambio puede afectar su funcionamiento.
La investigación destaca que, aunque el aprendizaje por imitación es popular en robótica doméstica, a menudo falla en considerar las pequeñas variaciones ambientales que pueden interrumpir la operación normal, obligando al sistema a reiniciar desde cero. El estudio aborda este problema al descomponer las demostraciones en subconjuntos menores, en lugar de tratarlas como una acción continua.
El estudio se centra en enseñar a un robot a recoger canicas y verterlas en un recipiente vacío, un proceso simple para los humanos, pero complejo para los robots, ya que implica varias tareas pequeñas. Los LLMs son capaces de listar y etiquetar estas subtareas. En las demostraciones, los investigadores interrumpieron la actividad de formas menores, como desviando al robot o derramando las canicas de su cuchara, a lo que el sistema respondió autocorrigiéndose, evitando comenzar desde el principio.
Este enfoque no solo es un avance en la autonomía de la robótica doméstica, sino que también demuestra el potencial de los LLMs para simplificar y enriquecer nuestras interacciones con la tecnología.
¿Qué implicaciones crees que tendrá esta investigación en el futuro de los robots domésticos?
