La robótica adaptable se refiere a un campo de la robótica que se centra en la creación de sistemas robóticos capaces de ajustar sus componentes de hardware y software para realizar una amplia gama de tareas mientras se adaptan a entornos variables. La década de 1960 introdujo la robótica en el campo industrial. [1] Desde entonces, la necesidad de fabricar robots con nuevas formas de actuación , adaptabilidad, detección y percepción , e incluso la capacidad de aprender, derivó en el campo de la robótica adaptable. Desarrollos significativos como el robot PUMA, la investigación sobre manipulación, la robótica blanda , la robótica de enjambre , la IA , los cobots , los enfoques bioinspirados y más investigaciones en curso han hecho avanzar enormemente el campo de la robótica adaptable. Los robots adaptables suelen estar asociados a su kit de desarrollo , que normalmente se utiliza para crear robots móviles autónomos. En algunos casos, un kit adaptable seguirá siendo funcional incluso cuando se rompan ciertos componentes. [2]
Los sistemas robóticos adaptables se adaptan con éxito a su entorno mediante técnicas como el diseño modular , el aprendizaje automático y la retroalimentación de sensores . Gracias a ello, han revolucionado diversas industrias y pueden abordar muchos desafíos del mundo real en los campos médico , industrial , extraterrestre y experimental . Aún quedan muchos desafíos por superar en la robótica adaptable, lo que presenta oportunidades de crecimiento en el campo.
Un robot adaptable suele tener atributos que lo distinguen de los robots que realizan su tarea independientemente de factores externos. Cuatro conceptos que utilizan los robots adaptables para hacer esta distinción son adaptabilidad, detección y percepción, aprendizaje e inteligencia, y actuación.
Un robot puede definirse como adaptativo cuando tiene capacidades como seguridad intrínseca y rendimiento sin concesiones, la capacidad de aprender y la capacidad de realizar tareas que los robots tradicionales no son capaces de hacer. Estas capacidades se pueden lograr mediante tecnología de control de fuerza, inteligencia jerárquica y otros enfoques innovadores. [3] La invención de John Adler en 1994, el cyberknife , es un sistema de cirugía robótica que es capaz de utilizar una precisión ultrafina en procedimientos médicos que demuestra tales adaptaciones. [4]
La información ambiental recopilada a través de los periféricos se procesa de forma inteligente en sistemas adaptables. Los sistemas de IA pueden procesar estos datos y ajustar las primitivas de la tarea en consecuencia, lo que conduce a una acción adaptada. [3] En 2001, se lanzó el Canadarm 2 a la ISS y desempeñó un papel clave en el mantenimiento de la estación, utilizando datos de los periféricos para adaptar la ISS a los cambios ambientales en su interior. [4]
La IA, el aprendizaje automático y el aprendizaje profundo permiten a los sistemas aprender sobre el mundo que los rodea y volverse progresivamente más inteligentes al ejecutar sus tareas. [3] [12] En 1997, el robot Sojourner fue lanzado a Marte, con una computadora a bordo que le permitía adaptarse a eventos y obstáculos no planificados incluso con datos mínimos; un precursor de la incorporación de la IA en sistemas adaptables. Más tarde ese año, la computadora Deep Blue de IBM derrotó a Garry Kasparov en una partida de ajedrez, un hito para la capacidad de la IA robótica para planificar y reaccionar. [4]
La actuación en sistemas robóticos permite que el robot se mueva. Los actuadores adaptables normalmente funcionan en respuesta a cambios ambientales, como cambios de temperatura que pueden cambiar la forma del actuador, alterando así la funcionalidad. [5] La actuación autoalimentada (sin ataduras) es alcanzable, especialmente en robótica blanda donde los estímulos externos pueden cambiar la forma de un actuador, creando energía mecánica. [6] En 1989, Rodney Brooks creó Ghengis, un robot hexapedal capaz de atravesar terrenos difíciles. [4] El modelo hexapedal utiliza seis actuadores para la movilidad y ha seguido siendo prominente con los modelos hexapedales modernos como el Rhex .
Los kits incluyen una plataforma de software abierta diseñada para una variedad de funciones robóticas comunes. Los kits también incluyen hardware robótico común que se conecta fácilmente con el software ( sensores infrarrojos , motores , micrófono y cámara de video), que se suman a las capacidades del robot. [7]
El proceso de modificación de un robot para lograr distintas capacidades, como la colaboración, podría incluir simplemente la selección de un módulo, el intercambio de módulos, la instrucción robótica a través del software y la ejecución. [8]
La robótica con pinzas blandas es un campo emergente en la escena robótica adaptable que se basa en la Venus atrapamoscas . Dos superficies robóticas blandas proporcionan módulos de agarre envolventes y de pinzamiento. Esta tecnología se prueba en una variedad de entornos para determinar los efectos de diversos objetos, errores de posición de objetos e instalación de superficies robóticas blandas en la capacidad de agarre. [9] La actuación sin ataduras es alcanzable, especialmente en robots blandos con polímeros de cristal líquido, una categoría de materiales sensibles a estímulos con efecto de memoria de forma bidireccional. Esto puede permitir que los polímeros de cristal líquido generen energía mecánica al cambiar de forma en respuesta a estímulos externos, por lo tanto, actuación sin ataduras. [10]
Robots diseñados para exteriores que se adaptan a paisajes y obstáculos cambiantes. Están construidos como una cadena de módulos individuales con articulaciones de bisagra simples, lo que permite que los robots modulares se transformen en varias formas para atravesar el terreno. Algunas de estas formas incluyen configuraciones como araña , serpentina y bucle. [11]
Campo de la robótica que utiliza la inteligencia de enjambre para agrupar robots homogéneos simples. Los robots de enjambre siguen algoritmos, generalmente diseñados para imitar el comportamiento de animales reales, con el fin de determinar sus movimientos en respuesta a estímulos ambientales. [12]
La robótica biohíbrida utiliza tejidos o células vivas para proporcionar a las máquinas funciones que serían difíciles de lograr de otro modo. Por ejemplo, se han utilizado células musculares para permitir que ciertos robots biohíbridos se muevan. La robótica de enjambre se combina con la biohíbrida en ciertos casos, especialmente en el campo médico [12] [13]
La robótica adaptable posee capacidades que la han hecho aplicable a muchos campos, incluidos, entre otros, los campos médico, industrial y experimental.
El aprendizaje a partir de demostraciones es una estrategia para transferir las habilidades de movimiento humano a los robots. El objetivo principal es identificar primitivas de movimiento significativas, movimientos significativos que hacen los humanos, a partir de demostraciones y rehacer estos movimientos para adaptar el robot a ese movimiento. Ha habido algunos problemas con los robots que no pueden adaptar las habilidades aprendidas mediante el aprendizaje a partir de demostraciones a nuevos entornos (un cambio con respecto al escenario en el que se le dieron demostraciones iniciales al robot). Estos problemas con el aprendizaje a partir de demostraciones se han abordado con un modelo de aprendizaje basado en un sistema dinámico no lineal que codifica trayectorias como primitivas de movimiento dinámico, que son similares a las primitivas de movimiento, pero son movimientos significativos representados por una ecuación matemática; las variables de la ecuación cambian con el entorno cambiante, alterando el movimiento realizado. Las trayectorias registradas a través de estos sistemas han demostrado ser aplicables a una amplia variedad de entornos, lo que hace que los robots sean más efectivos en sus respectivas esferas. El aprendizaje a partir de demostraciones ha hecho progresar la aplicabilidad de la robótica en campos donde la precisión es esencial, como los entornos quirúrgicos. [14]
En el campo médico, la tecnología SAR se centra en tomar datos sensoriales de periféricos portátiles para percibir el estado de ánimo del usuario. La información recopilada permite que la máquina proporcione monitoreo personalizado, motivación y entrenamiento para la rehabilitación. La HRI física intuitiva y las interfaces entre humanos y robots permiten funcionalidades como registrar los movimientos de un cirujano para inferir su intención, determinar los parámetros mecánicos del tejido humano y otros datos sensoriales para usar en escenarios médicos. [15] La robótica biohíbrida tiene aplicaciones médicas que utilizan componentes biodegradables para permitir que los robots funcionen de manera segura dentro del cuerpo humano. [13]
La IA, el aprendizaje automático y el aprendizaje profundo han permitido avances en robótica adaptable como la navegación autónoma, el reconocimiento y la manipulación de objetos, el procesamiento del lenguaje natural y el mantenimiento predictivo. Estas tecnologías han sido esenciales en el desarrollo de cobots (robots colaborativos), que son robots capaces de trabajar junto a humanos capaces de adaptarse a entornos cambiantes. [16]
En el campo industrial, la IA, el aprendizaje automático y el aprendizaje profundo se pueden utilizar para realizar controles de calidad en productos fabricados, identificar defectos en los productos y alertar a los equipos de producción para que realicen los cambios necesarios en tiempo real. [16]
Los sistemas que implican la colaboración física entre humanos y robots son difíciles de diseñar bien debido a la incertidumbre humana. Los humanos alteran la fuerza de sus movimientos regularmente debido a factores humanos como la emoción, los procesos biológicos y otros factores extraños desconocidos para un robot. Esto puede hacer que los datos sensoriales sean difíciles de cuantificar para una adaptación exitosa en robots. Además, las necesidades, características y preferencias específicas que puede necesitar un paciente en un escenario médico varían de persona a persona. Los sistemas robóticos adaptables necesitan un tiempo prolongado para adaptarse al nuevo entorno introducido por el paciente. [14] [15]
La necesidad de contar con datos fiables provenientes de la tecnología sensorial es un desafío para los sistemas adaptables, especialmente en el ámbito de la IA. A medida que los modelos de IA se vuelven cada vez más avanzados, la necesidad de desarrollar tecnologías periféricas capaces de proporcionar la información necesaria para estos sistemas se vuelve cada vez más desafiante. Además, la necesidad de entornos dinámicos para entrenar algoritmos de IA resulta un desafío, ya que no todos los escenarios en los que una máquina puede encontrarse se le presentarán durante el entrenamiento. [16]
Los robots de enjambre están limitados por interferencias y colisiones, incertidumbre, falta de especialización y falta de comprensión del patrón de comportamiento del enjambre. [12] La robótica biohíbrida tiene desafíos debido a que las células vivas son delicadas, aunque se pueden adaptar a una variedad de entornos debido a las propiedades del material biológico. [13]