¿Entrenamiento de robots en mundos virtuales?
¿Alguna vez has probado algún juego de carreras de coches? Una carrera de F1, un rally, o si has conducido el Assestto Corsa, ya sabes por dónde encamino esta pequeña reflexión.
Si lo has hecho, alguna vez, habrás experimentado una sensación de «realismo» de comportamiento. De hecho, si has probado algún simulador de conducción, habrás notado el grado de detalle y realismo que hay en el comportamiento de la simulación, pudiendo recrear a la perfección, desde diferentes potencias y entregas de potencia de motor, repartos de pesos y dinámicas de los vehículos. Incluso es capaz de recrear el tipo de superficie por la que circula el coche, lo que implica diferencias de comportamiento, como es lógico debido a irregularidades y diferentes factores de rozamiento, etc. Podríamos hablar de gemelos digitales, representaciones digitales fidedignas a la realidad y que se comportan imitando el caso real en el mundo físico.
Tal es el grado de fidelidad a la realidad, que los equipos que más dinero gastan en el mundo para entrenar a sus pilotos, los equipos de F1, entrenan en simuladores virtuales (mixtos en realidad, pues el simulador es capaz de transmitir dinámicas al piloto).
Lo mismo podríamos decir de los pilotos de avión, que se entrenan durante cientos de horas en simuladores que representan, con un grandísimo grado de detalle, las dinámicas asociadas al vuelo de un avión.
En la industria, también se realizan estos entornos virtuales que representan fábricas y sus procesos internos, llamados gemelos digitales, a un nivel de detalle cada vez más preciso. Y cada vez son más las empresas, tanto por el lado del cliente como por el lado de la empresa proveedora de automatizaciones, que implantan tanto la automatización de una instalación o proceso, como simultáneamente el gemelo digital. Esto es debido a los beneficios que se puede obtener al disponer de estas herramientas, por ejemplo, una mejor toma de decisiones gracias a la posibilidad de simulación previa, flexibilidad y rapidez a la hora de implantar cambios, mayor información en tiempo real, mejoras en mantenimiento.
Si entrenamos a personas en simuladores y simulamos procesos y fábricas, ¿no podemos hacer lo mismo con los robots? Pues efectivamente, creo que si.
Si te has relacionado en algún momento con la ingeniería en general, o con procesos de fabricación, sabrás que actualmente, el diseño de un producto (servicio, edificio, carretera…), se hace mediante el uso de softwares de diseño específico, llámese Autodesk, Blender o como sea, pero se hace digitalmente.
Piense en algo que conoce perfectamente, un coche. Pues todas y cada una de sus miles de piezas, sean piezas propias o suministradas por proveedores, están correctamente dimensionadas (geotérmicamente) y definidas (propiedades, composición, materiales …) digitalmente, tanto en 2D como 3D. Si integras toda la información individual en el concepto «coche», tendrías ahí, el famoso gemelo digital.
Ahora, extrapolado a un fabricante de robots (en este artículo, nos referimos a los robots de servicio, no a industriales), obviamente aunque no es una industria tan grande (a día de hoy) y con tanto bagaje como la automotriz, los procesos de diseño y fabricación en la industria en general son muy similares (en industrias más incipentes y modernas, también se integran las nuevas corrientes más rápido, primordialmente por el tamaño y la cultura), podemos intuir que estas empresas pueden disponer o disponen de un gemelo digital de su producto final. Con todos los aspectos positivos que ello conlleva a la empresa.
Bien, llegados aquí, te preguntarás, ¿qué tiene que ver esto con que Carlos Sainz se entrene en un simulador? La respuesta es obvia, al igual que entrenamos a personas para mejorar sus capacidades ayudados por entornos virtuales, vamos a ser capaces de entrenar a robots en dichos entornos, con las grandes ventajas que esto conlleva. Verá rápidamente a que me refiero.
Para entrenar a estos robots, una de las técnicas que se utilizan, es mediante el uso de la IA, poniendo el robot en un entorno físico y probando a ejecutar las tareas necesarias para conseguir el objetivo para el que ha sido programado, y mediante el aprendizaje profundo, este robot va aprendiendo a realizar su misión cada vez mejor. Por ejemplo: REINO UNIDO | Presentan robot que «aprende por sí solo»
Ahora, no pienses en un simple brazo robótico que se dedica a realizar tareas simples, e imagina robots más «futuristas», como en la siguiente ilustración (es un robot comercial a día de hoy).
Si disponemos del gemelo digital (lo más realista y totalmente definido) del robot, y podemos recrear entornos virtuales que recreen fielmente entornos físicos, como una ciudad, un bosque o la luna si usted quiere. Podremos entrenar a nuestro robot en tareas y entornos que no se podrían hacer de otra manera ( o sería más caro, peligroso o directamente imposible).
Un par de ejemplos, un poco extremos, para que se entienda bien: podemos recrear una zona azotada por una catástrofe natural y entrenar a estos robots en tareas de salvamento. O podemos recrear Marte con su atmósfera, temperaturas, gravedad, terreno, etc., y ver como se comportaría el robot en dicho entorno.
Una vez tuviéramos el modelo completamente entrenado y satisfaga las necesidades, se podría descargar el modelo de control del robot, en el modelo físico. Pudiendo estar entrenando como hemos visto para sucesos que no han sucedido todavía. De esta manera, se pueden detectar fallos de construcción, de materiales o de diseño y arreglarlo en el modelo digital, para comprobar la efectividad de la solución y posteriormente mejora el proceso productivo.
Por parte de la empresa fabricante, está claro la ventaja que conlleva el gemelo digital y estos entornos de entrenamiento. Flexibilidad, ahorro de costes, de tiempo, de riesgos, mayor capacidad de entrenamiento, mayor personalización de la solución para el cliente final, etc.
Y por otro lado para el usuario final, sería muy bueno, poder entrenar a los robots en las tareas concretas, antes de tener que realizarlas, posibilidad de entrenamiento sobre nuevas políticas, mayor grado de personalización, mejor entrenamiento entre agentes no esperados.
Considero, que esta forma de trabajar, podría ser un estándar en el futuro. Es posible que el día de mañana estemos entrenando mineros espaciales para recolectar minerales en asteroides. O que entrenemos al robot para el cultivo de algas en profundidad.
Quién sabe qué apasionantes misiones mandaremos hacer a robots pre-entrenados en un futuro, no tan lejano.
