Redacción

Un robot que viaja del punto A al punto B es más eficiente si entiende que el punto A es el sofá de la sala de estar y el punto B es un refrigerador, aunque esté en un lugar desconocido. Esa es la idea, que podríamos calificar de sentido común, detrás de un sistema de navegación “semántico” desarrollado por la Universidad Carnegie Mellon y Facebook AI Research (FAIR).

Este sistema de navegación, llamado SemExp, ganó el mes pasado el Habitat ObjectNav Challenge durante la conferencia virtual Visión por Computadora y Reconocimiento de Patrones, superando a un equipo de Samsung Research China. Fue el segundo primer lugar consecutivo para el equipo de la CMU en el certamen anual.

SemExp, o Exploración Semántica Orientada a Objetivos, utiliza el aprendizaje automático para adiestrar a un robot a reconocer objetos -conocer la diferencia entre una mesa de cocina y una mesa de comedor, por ejemplo- y para entender en qué lugar de una casa es probable que se encuentren tales objetos. Esto permite al sistema pensar estratégicamente sobre cómo buscar algo, dijo Devendra S. Chaplot, un estudiante de doctorado en el Departamento de Aprendizaje Automático de la CMU.

“El sentido común nos dice que si buscas un refrigerador, es mejor que vayas a la cocina”, dijo Chaplot. Los sistemas clásicos de navegación robótica, por el contrario, exploran un espacio construyendo un mapa que muestra los obstáculos. El robot llega finalmente a donde necesita ir, pero la ruta puede ser tortuosa.

Los intentos anteriores de utilizar el aprendizaje automático para entrenar sistemas de navegación semántica en robots se han visto obstaculizados porque tienden a memorizar objetos y sus ubicaciones en entornos específicos. No solo estos entornos son complejos, sino que el sistema a menudo tiene dificultades para generalizar lo que ha aprendido a diferentes entornos.

(Foto: Carnegie Mellon University)

Chaplot — trabajando con Dhiraj Gandhi de FAIR, junto con Abhinav Gupta, profesor asociado en el Instituto de Robótica, y Ruslan Salakhutdinov, profesor en el Departamento de Aprendizaje Automático — eludió ese problema haciendo de SemExp un sistema modular.

El sistema utiliza sus conocimientos semánticos para determinar los mejores lugares para que un robot busque un objeto específico, dijo Chaplot. “Una vez que decides a dónde ir, puedes usar la planificación clásica para llegar allí”.

Este enfoque modular resulta ser eficiente de varias maneras. El proceso de aprendizaje puede concentrarse en las relaciones entre los objetos y la disposición de las habitaciones, en lugar de aprender también la planificación de rutas. El razonamiento semántico determina la estrategia de búsqueda más eficiente. Finalmente, la planificación de navegación clásica lleva al robot a donde necesita ir lo más rápido posible.

La navegación semántica, en última instancia, facilitará a la gente la interacción con los robots, permitiéndoles simplemente decirles que busquen un objeto en un lugar determinado, o darles indicaciones como “ve a la segunda puerta de la izquierda”.