#robótica #robóticasubacuática
Robótica Submarina
Científicos argentinos desarrollan un robot subacuático basados en algoritmos de videojuegos.
*Algoritmo
Un algoritmo es un conjunto de instrucciones sobre cómo una computadora debe lograr una tarea determinada. Los algoritmos son utilizados por muchas organizaciones para tomar decisiones y asignar recursos basados en grandes volúmenes de datos. Los algoritmos se suelen comparar con las recetas, ya que toman un conjunto específico de ingredientes y los transforman a través de una serie de pasos para arribar a un resultado predecible.
*Machine Learning
Es la técnica dentro de la Inteligencia Artificial que permite que las máquinas aprendan automáticamente. Aprender, en este caso, significa identificar patrones complejos entre un enorme volumen de datos, lo más parecido posible a como lo haría una persona.
*Aprendizaje por Refuerzo
El Aprendizaje por Refuerzo es un área del aprendizaje automático inspirada en la psicología conductista, cuyo fin es determinar qué acciones debe escoger un agente de software en un entorno dado con el objetivo de obtener alguna idea de "recompensa" o premio acumulado.
Los robots submarinos están revolucionando la exploración del fondo del mar, con tecnologías que permiten navegar por espacios angostos y rincones desconocidos del lecho marino. Como no tienen que respirar, los robots pueden bucear durante más tiempo que cualquier humano, y con la tecnología de sensores necesaria son utilizados para inspección, detección de derrames, rescate, recolección de datos, arqueología submarina, entre otra infinidad de usos.
En Argentina, un equipo de ingenieros del CONICET, junto a científicos escoceses logró dotar de autonomía a los robots subacuáticos, utilizando algoritmos de videojuegos. El modelo ha permitido que los robots se orienten bajo el agua y lleven a cabo tareas de forma independiente, sin necesitar la ayuda de seres humanos.
Ignacio Carlucho es parte del equipo. Se ha especializado en el aprendizaje por refuerzo aplicado a la robótica subacuática y trabaja para poder emular el comportamiento humano en los robots. Este joven científico reflexiona sobre el futuro de su disciplina, los desafíos de la robótica en América Latina y los conflictos éticos que enfrentan los desarrolladores de las nuevas tecnologías.
En Argentina, un equipo de ingenieros del CONICET, junto a científicos escoceses logró dotar de autonomía a los robots subacuáticos, utilizando algoritmos de videojuegos. El modelo ha permitido que los robots se orienten bajo el agua y lleven a cabo tareas de forma independiente, sin necesitar la ayuda de seres humanos.
Ignacio Carlucho es parte del equipo. Se ha especializado en el aprendizaje por refuerzo aplicado a la robótica subacuática y trabaja para poder emular el comportamiento humano en los robots. Este joven científico reflexiona sobre el futuro de su disciplina, los desafíos de la robótica en América Latina y los conflictos éticos que enfrentan los desarrolladores de las nuevas tecnologías.
Entrevista a Ignacio Carlucho
Te has especializado en la robótica subacuática y en el aprendizaje por refuerzos aplicado al medio submarino: ¿de qué se trata esta área de la robótica?
Trabajamos con robots que son autónomos, no muy grandes (de unos 1,50 metros de largo) y que tienen diferentes misiones en los océanos. Por ejemplo, surveys submarinos del fondo del mar donde miran cómo está el fondo, las columnas de agua, la cantidad de peces, o trabajan en temas que no podría hacer un ser humano. Por ejemplo, hay robots trabajando en la misión de identificar minas de la segunda guerra mundial que aún quedan en el mar.
El medio marítimo es bastante complejo, la propagación de las ondas es muy mala, no hay GPS y las profundidades acarrean muchas presiones y corrientes submarinas. Lo que se necesita todo el tiempo es control de estos submarinos, que sea adaptativo, y que los robots por sí mismos puedan evaluar diferentes situaciones y tomar decisiones frente a las distintas situaciones. Por eso la importancia del control cognitivo, que le permita a ellos conocer el medio en el que están y tomar decisiones, lo más parecido posible a cómo lo piensa una persona o un ser vivo. La idea es que no dependa de alguien que le esté diciendo todo el tiempo lo que tiene que hacer. Nos inspiramos en cosas que pasan en el cerebro humano, más que nada en el reinforcement learning, o aprendizaje por refuerzo, que es en lo que estoy trabajando ahora.
Trabajamos con robots que son autónomos, no muy grandes (de unos 1,50 metros de largo) y que tienen diferentes misiones en los océanos. Por ejemplo, surveys submarinos del fondo del mar donde miran cómo está el fondo, las columnas de agua, la cantidad de peces, o trabajan en temas que no podría hacer un ser humano. Por ejemplo, hay robots trabajando en la misión de identificar minas de la segunda guerra mundial que aún quedan en el mar.
El medio marítimo es bastante complejo, la propagación de las ondas es muy mala, no hay GPS y las profundidades acarrean muchas presiones y corrientes submarinas. Lo que se necesita todo el tiempo es control de estos submarinos, que sea adaptativo, y que los robots por sí mismos puedan evaluar diferentes situaciones y tomar decisiones frente a las distintas situaciones. Por eso la importancia del control cognitivo, que le permita a ellos conocer el medio en el que están y tomar decisiones, lo más parecido posible a cómo lo piensa una persona o un ser vivo. La idea es que no dependa de alguien que le esté diciendo todo el tiempo lo que tiene que hacer. Nos inspiramos en cosas que pasan en el cerebro humano, más que nada en el reinforcement learning, o aprendizaje por refuerzo, que es en lo que estoy trabajando ahora.
¿Cómo funciona exactamente el aprendizaje por refuerzo? ¿Cuál es la relación con los algoritmos de los videojuegos?
Hay mucho desarrollo en el campo del reinforcement learning que se está haciendo con Google y DeepMind. Están trabajando específicamente en aprendizaje por refuerzo, ellos prueban todo con videojuegos y demuestran cómo sus algoritmos pueden aprender con videojuegos y ser mejores que un humano. Jugaban a los jueguitos de Atari y lo novedoso es que toman videos de la pantalla, y luego el agente de Inteligencia Artificial aprende directamente viendo el juego a través de las pantallas. Juegan solos, nadie le dice nada sino que aprenden solos. Es terrible la cantidad de juegos que han aprendido a jugar. Están todo el tiempo desarrollando algoritmos y uno de sus principales logros es haberle ganado hace poco al campeón mundial de GO: el surcoreano, Lee Se-Dol.
Nosotros trabajamos con esos algoritmos, que resuelven los problemas en entornos simulados donde no hay ruidos en el ambiente, todo muy determinístico. Una cosa muy importante para el aprendizaje por refuerzo es que la Inteligencia Artificial aprende como un humano. Cuando un humano es niño y se acerca al fuego, al tocarlo siente una sensación negativa y nunca más lo repite. En cambio, si se pone cerca, siente el calor y es una sensación positiva. De la misma manera aprende el robot, y cuando tenés un videojuego, eso viene dado por el puntaje: cuanto más puntaje tengo, mejor me va, entonces es más fácil darse cuenta si se están haciendo las cosas bien o mal.
El refuerzo es más automático y fácil de entender para el robot. En la realidad es más difícil obtener un refuerzo. Nosotros diseñamos una señal de refuerzo para el robot en base a los sensores, un tema de estudio bastante complejo.
Hay mucho desarrollo en el campo del reinforcement learning que se está haciendo con Google y DeepMind. Están trabajando específicamente en aprendizaje por refuerzo, ellos prueban todo con videojuegos y demuestran cómo sus algoritmos pueden aprender con videojuegos y ser mejores que un humano. Jugaban a los jueguitos de Atari y lo novedoso es que toman videos de la pantalla, y luego el agente de Inteligencia Artificial aprende directamente viendo el juego a través de las pantallas. Juegan solos, nadie le dice nada sino que aprenden solos. Es terrible la cantidad de juegos que han aprendido a jugar. Están todo el tiempo desarrollando algoritmos y uno de sus principales logros es haberle ganado hace poco al campeón mundial de GO: el surcoreano, Lee Se-Dol.
Nosotros trabajamos con esos algoritmos, que resuelven los problemas en entornos simulados donde no hay ruidos en el ambiente, todo muy determinístico. Una cosa muy importante para el aprendizaje por refuerzo es que la Inteligencia Artificial aprende como un humano. Cuando un humano es niño y se acerca al fuego, al tocarlo siente una sensación negativa y nunca más lo repite. En cambio, si se pone cerca, siente el calor y es una sensación positiva. De la misma manera aprende el robot, y cuando tenés un videojuego, eso viene dado por el puntaje: cuanto más puntaje tengo, mejor me va, entonces es más fácil darse cuenta si se están haciendo las cosas bien o mal.
El refuerzo es más automático y fácil de entender para el robot. En la realidad es más difícil obtener un refuerzo. Nosotros diseñamos una señal de refuerzo para el robot en base a los sensores, un tema de estudio bastante complejo.
En algún momento el robot sale a un entorno no controlado. ¿Cómo cambia su comportamiento en ese pasaje del entorno virtual al real?
Es dificilísimo. Nosotros comenzamos haciendo todas las pruebas en simuladores y nos daba mucho trabajo; luego empezó a andar bien. Después empezamos con las pruebas en el robot real, lo sumergimos en la pileta y no andaba. Volvimos otra vez a los simuladores, todo para atrás, y volvimos a hacer todo hasta que se logró el objetivo. La realidad es totalmente diferente al entorno simulado. Aparecen ruidos, imprevistos que tuvimos con el Wi-Fi, con las conexiones: todo lo que te puede pasar, nos pasó. El próximo paso es llevarlo al mar.
Es dificilísimo. Nosotros comenzamos haciendo todas las pruebas en simuladores y nos daba mucho trabajo; luego empezó a andar bien. Después empezamos con las pruebas en el robot real, lo sumergimos en la pileta y no andaba. Volvimos otra vez a los simuladores, todo para atrás, y volvimos a hacer todo hasta que se logró el objetivo. La realidad es totalmente diferente al entorno simulado. Aparecen ruidos, imprevistos que tuvimos con el Wi-Fi, con las conexiones: todo lo que te puede pasar, nos pasó. El próximo paso es llevarlo al mar.
¿Para qué situaciones está preparado el robot que desarrollaron? ¿Qué tipo de complejidades puede sortear?
Lo que hicimos fue un control de velocidad. El robot aprendió a ir a una velocidad determinada, por ejemplo 0,3 metros por segundo, y lo hace solo. Lo novedoso es que aprendió a moverse a cualquier velocidad y en todos los ejes submarinos que se puede mover. Después hay un sistema de navegación que le va a estar diciendo a qué velocidad tiene que ir para resolver sus misiones.
Yo ahora estoy trabajando en otro artículo donde el submarino aprende a ir de un punto a otro usando las mismas técnicas. Aprende que si tiene que ir hacia un punto, tiene que girar e ir solo para ese lado; puede hacer esa abstracción. Comprende dónde está y qué tiene que hacer para cumplir ese objetivo. Estos sistemas van aprendiendo todo el tiempo, incluso frente a fallas. Con otro tipo de controladores, vos montás un nuevo sensor y cambia la masa del submarino y entonces te cambia todo; la performance es malísima. En cambio, con esto se adapta muy bien a los cambios que pueden llegar a ocurrir. Puede darse cuenta que lo que está pasando es algo distinto y tomar otras decisiones para subsanar las cosas que pueden llegar a pasar.
Lo que hicimos fue un control de velocidad. El robot aprendió a ir a una velocidad determinada, por ejemplo 0,3 metros por segundo, y lo hace solo. Lo novedoso es que aprendió a moverse a cualquier velocidad y en todos los ejes submarinos que se puede mover. Después hay un sistema de navegación que le va a estar diciendo a qué velocidad tiene que ir para resolver sus misiones.
Yo ahora estoy trabajando en otro artículo donde el submarino aprende a ir de un punto a otro usando las mismas técnicas. Aprende que si tiene que ir hacia un punto, tiene que girar e ir solo para ese lado; puede hacer esa abstracción. Comprende dónde está y qué tiene que hacer para cumplir ese objetivo. Estos sistemas van aprendiendo todo el tiempo, incluso frente a fallas. Con otro tipo de controladores, vos montás un nuevo sensor y cambia la masa del submarino y entonces te cambia todo; la performance es malísima. En cambio, con esto se adapta muy bien a los cambios que pueden llegar a ocurrir. Puede darse cuenta que lo que está pasando es algo distinto y tomar otras decisiones para subsanar las cosas que pueden llegar a pasar.
¿Quiénes trabajan en el proyecto, cómo se conforma tu equipo de trabajo?
Somos el grupo INTELYMEC que está trabajando en la Universidad Nacional del Centro de la Provincia de Buenos Aires. Somos unas seis personas pero los que trabajamos en este proyecto son: mi director de tesis, el Dr. Gerardo Acosta, y el Dr. Mariano De Paula, y luego trabajamos con un equipo escocés con el que teníamos vinculación a través de mi profesor Gerardo Acosta. En Escocia la universidad ha trabajado mucho el tema oceánico. Tienen submarinos y me permitieron ir a probarlos allá. La idea es el intercambio ya que quedándome solo en Argentina con los fondos que tenemos es más difícil. Nosotros para medir las velocidades bajo el agua necesitamos un sensor que sale 80 mil dólares. Acá todavía no tenemos uno, mientras que allá tenían el del submarino y otro más de repuesto por las dudas.
¿Cómo podría desarrollarse en el futuro la tecnología que ustedes están trabajando en el medio subacuático? ¿Qué aplicaciones podría tener?
Nosotros estamos pensando mucho en los análisis de los lechos marinos porque se puede hacer con muy bajo costo. Con un sonar podés ir reconociendo el lecho y generando mapas que son muy útiles para los puertos. También para búsquedas y rescates, por ejemplo, se puede hacer la diferencia porque el robot es autónomo, puede hacer todos los recorridos solo y después requiere que un humano lea esa información. En la marina pasa lo mismo. Yo estuve en Seabay, que trabajan mucho con Estados Unidos y sacan los submarinos al fondo todo el tiempo. Los levantan, sacan la información y un usuario analiza los datos.
La industria petrolera también es muy dependiente de estas tecnologías, más que nada para las plataformas submarinas, donde esta tecnología se utiliza para analizar las tuberías y detectar pérdidas. En Escocia tienen tuberías que están a 5 mil metros, entonces el robot recorre el ducto, lo monitorea y revisa que no se tapen con el lecho, entre otras cosas.
También se puede hacer mucho para el estudio de la biología marina. En realidad nuestra disciplina es el desarrollo de la tecnología que luego le sirve a los intereses de otros. Lo nuestro no es lo principal.
La industria petrolera también es muy dependiente de estas tecnologías, más que nada para las plataformas submarinas, donde esta tecnología se utiliza para analizar las tuberías y detectar pérdidas. En Escocia tienen tuberías que están a 5 mil metros, entonces el robot recorre el ducto, lo monitorea y revisa que no se tapen con el lecho, entre otras cosas.
También se puede hacer mucho para el estudio de la biología marina. En realidad nuestra disciplina es el desarrollo de la tecnología que luego le sirve a los intereses de otros. Lo nuestro no es lo principal.
Los intereses de otros podría ser fabricar armas, por ejemplo. ¿Te preocupa que la tecnología que vos desarrollás se utilice con esos fines?
Es todo un tema. Muchas de las cosas que usamos nosotros no se venden al público y necesitás pruebas de que lo querés para investigación. Lo que hacemos nosotros para saber dónde estás posicionado, básicamente es una bomba si lo mandas por abajo y si lo mandás por arriba es un misil. Entonces es riesgoso. Hay muchos proyectos de defensa, para realizar distintas cosas, que nosotros realmente estamos en duda si ponernos a trabajar en eso o no, porque por ahí no nos parece que sea ético. Argentina no es una nación que sea muy guerrera, y en defensa lo que podemos hacer es patrullaje de los lechos marinos, pero siempre está la preocupación y la consideración de que eso que estás usando no vaya a ser usado para el mal.
¿Todo este trabajo de trasladarle conocimiento al robot te llevó a revisar el comportamiento humano?
Tal cual. Estoy trabajando con gente que viene del campo de la neurociencia y están trabajando en cómo funciona el cerebro, las sinapsis, y todo eso. Y lo que ellos obtienen, nosotros los usamos para los robots, estamos todo el tiempo tratando de tomar eso. Necesitas una comprensión de cómo funcionan algunas cosas, por eso estoy haciendo un curso de neurociencias. Estamos queriendo simular el funcionamiento de las neuronas y necesitas una noción básica de cómo percibís. Queremos entender todos esos procesos que se hacen de manera automática y que queremos emular en un robot, el objetivo es que el robot sepa de la misma manera poder detectar a alguien, que sepa emular nuestro control de más alto nivel. Queremos algo que sea un pensamiento complejo de una propia Inteligencia Artificial. Todavía estamos lejos de lo que se supone que es una IA, de las ideas que nos generan las películas. Pero cada vez nos vamos acercando más.
¿Cómo te imaginás que evolucione tu campo de estudio en los próximos años?
Todavía están en un estadio muy verde todas estas técnicas de inteligencia. Faltan muchos años para ver algo realmente revolucionario. Sobre todo porque todavía no podemos hacer que un robot que aprendió a hacer una cosa, pueda hacer otra. Tenemos robots que pueden hacer una sola cosa, estamos lejos de que tengan la mente de Terminator. Lo que sí es un riesgo es el tema de los empleos. Hay un montón de trabajos que se van a ver afectados.
Después están todos los temas éticos que para mí son más importantes: cómo se está usando la información, porque todas esas técnicas se utilizan mucho para la minería de datos, que luego se usan para la manipulación de la información. Y es muy fácil hacerlo porque los volúmenes de datos son terriblemente grandes, la información que tienen de nosotros es mucha, y eso sí realmente me preocupa más que un robot que salga a matar a alguien. Son más las personas y la ética nuestra, que las posibilidades que tiene un robot de hacer el mal.
Después están todos los temas éticos que para mí son más importantes: cómo se está usando la información, porque todas esas técnicas se utilizan mucho para la minería de datos, que luego se usan para la manipulación de la información. Y es muy fácil hacerlo porque los volúmenes de datos son terriblemente grandes, la información que tienen de nosotros es mucha, y eso sí realmente me preocupa más que un robot que salga a matar a alguien. Son más las personas y la ética nuestra, que las posibilidades que tiene un robot de hacer el mal.
¿Cómo ves la realidad de tu campo en Argentina y en América Latina en general?
Es un agridulce. Hoy en día se puede trabajar. Todo está muy conectado y estamos muy enterados de quién está haciendo qué y dónde. Y vos con una computadora podés programar y podés llegar a innovar. En robótica es más complejo porque necesitás el robot; no alcanza con un simulador. Es muy costoso y esa es nuestra principal dificultad. Nosotros vamos mucho a otros centros, usamos robots de otros lugares. Pero sí se puede, hay mucha gente que está trabajando en CONICET, muchos investigadores. Está cambiando cómo se piensa la universidad, y la calidad de los docentes que tenemos. Tenemos gente que hizo doctorados, que estuvo afuera y se capacitó, entonces la calidad de información que pasa a los estudiantes es otra, traen mucha vida. Sí hay cosas negativas pero las positivas son interesantes. Es un agridulce. Tenemos que vincularnos más, nos sentimos medio aislados del resto del mundo.
Ignacio Carlucho es ingeniero electromecánico graduado de la Universidad Nacional del Centro de la Provincia de Buenos Aires. Actualmente realiza un Doctorado en Ingenieria, como becario CONICET, dentro del grupo INTELYMEC. Su tema de tesis es "Aplicaciones de control cognitivo en robótica subacuática". Sus áreas de investigación son el control inteligente, más específicamente el aprendizaje por refuerzos aplicado a robótica subacuática.
doi.org/10.1016/j.robot.2018.05.016
doi.org/10.1016/j.robot.2018.05.016
Natalia Arralde es la Editora Ejecutiva de Amenaza Roboto. Ella se ha especializada en producción audiovisual (NHK-CTI Tokyo). Antes coordinó el proyecto "Periodismo en el Liceo" del MEC, el Servicio Informativo de Televisión Nacional de Uruguay y realizó servicios de producción de contenidos para cadenas internacionales como CNN y Al Jazeera. Además, ha ejercido el periodismo en canal 12, radio El Espectador y FM del Sol, El Observador y El País (suplemento Economía y Mercado). Natalia dicta clases en la Universidad de Montevideo.
Contenidos Relacionados
Contenidos XS de Amenaza Roboto
Tech & Twitter
Ideas breves sobre la tecnología y la sociedad.
Roboto News
Noticias tech en 3 minutos. Dale play!
Áreas a explorar
CONICET
Consejo Nacional de Investigaciones
Científicas y Técnicas.
El CONICET es el principal organismo dedicado a la promoción de la ciencia y la tecnología en la Argentina. Su actividad se desarrolla en cuatro grandes áreas:
- Ciencias Agrarias, Ingeniería y de Materiales.
- Ciencias Biológicas y de la Salud.
- Ciencias Exactas y Naturales.
- Ciencias Sociales y Humanidades.
Científicas y Técnicas.
El CONICET es el principal organismo dedicado a la promoción de la ciencia y la tecnología en la Argentina. Su actividad se desarrolla en cuatro grandes áreas:
- Ciencias Agrarias, Ingeniería y de Materiales.
- Ciencias Biológicas y de la Salud.
- Ciencias Exactas y Naturales.
- Ciencias Sociales y Humanidades.
DeepMind
DeepMind es una compañía de inteligencia artificial inglesa. Creada en 2010 como DeepMind Technologies y fue adquirida por Google en 2014. La compañía creó una red neuronal que aprende cómo jugar a los videojuegos de una manera similar a la de los seres humanos. La compañía tuvo un gran logro en 2016 después de que su programa AlphaGo derrotara al campeón mundial de GO por primera vez.
Que comience el diálogo
¡Ponete en contacto con nosotros!