NeatNet: el sistema que ayuda a los robots a aprender las preferencias de las personas sobre la limpieza
A medida que los robots se vuelven cada vez más avanzados y accesibles, más personas pueden empezar a incorporarlos en sus hogares. Por eso, muchos robotistas intentan desarrollar sistemas que puedan ayudar de forma eficaz a las personas en tareas domésticas, como cocinar y limpiar.
Investigadores del laboratorio de aprendizaje robótico del Imperial College de Londres han desarrollado NeatNet, una innovadora herramienta de aprendizaje automático que puede permitir a los robots ordenar el entorno doméstico según las preferencias individuales del usuario. Este modelo, presentado en un artículo en arXiv, se basa en una nueva arquitectura de autocodificador variacional con capas de redes neuronales de grafos.
«Cada persona amuebla su casa de forma única e individual, influida por el gusto estético, los hábitos e incluso el origen cultural. Hemos desarrollado un método para aprender las preferencias de las personas sobre la disposición de su hogar, para que luego un robot pueda limpiar su casa de forma individualizada»
NeatNet, una técnica desarrollada por el doctor Jones y su alumno Iván Kapeliukh, permite a los robots conocer las preferencias de limpieza únicas del usuario simplemente observando cómo coloca los muebles y objetos en su casa. Después, el robot puede usar estas preferencias como guía para ordenar la casa del usuario, reflejando sus preferencias.
Jones explicó: «Por ejemplo, supongamos que prefiere que su mesa esté organizada de forma compacta, para que todo sea fácil de alcanzar. Quizá quiera que el robot aprenda esta preferencia. Después de que el robot recoja la mesa, quedará organizada de la forma que le resulte cómoda».
NeatNet se inspira en los sistemas de recomendación, herramientas de aprendizaje automático que usan plataformas de streaming (como Netflix, YouTube, Spotify) u otros sitios web para recomendar a los usuarios nuevo contenido. Los sistemas de recomendación funcionan aprendiendo las preferencias del usuario según el contenido que vio, escuchó o al que accedió en el pasado.
Los investigadores explicaron: «Si una nueva película la ven muchos usuarios con preferencias parecidas a las suyas, Netflix puede recomendársela a usted también. Así es como estos métodos ofrecen recomendaciones personalizadas».
Una nueva herramienta, similar a las recomendaciones, para aprender las preferencias de orden se basó en la tesis de Kapeliukh en el Imperial College de Londres, dirigida por el doctor Jones. Kapeliukh presentó un nuevo trabajo junto a su director de tesis en la conferencia de aprendizaje robótico (CoRL), celebrada en Londres del 8 al 11 de noviembre de 2021.
«Hasta ahora hemos presentado nuestros resultados utilizando simulaciones por ordenador del robot y su entorno, pero en nuestro trabajo futuro planeamos implementarlo en un robot real en el mundo real», declaró Jones.
En esencia, NeatNet procesa escenas que han sido ordenadas y recogidas por los usuarios. A partir de estas escenas aprende las preferencias de orden del usuario, que se representan como una secuencia de números. Finalmente, utiliza estas secuencias numéricas para colocar individualmente cualquier grupo de objetos.
«Como el robot no sabe de antemano cuántos objetos va a encontrar, NeatNet utiliza una red neuronal de grafos para procesarlos. Esto significa que, en lugar de entrenarse directamente con imágenes del espacio, lo modela como un grafo en el que cada objeto es un nodo (o punto) y todos los nodos están conectados entre sí»
Gracias a la red neuronal de grafos, NeatNet también puede aprender las relaciones entre distintos objetos. Por ejemplo, puede aprender que el teclado y el ratón suelen colocarse juntos o que los cubiertos se ponen a un lado de los platos.
Además de aprender las relaciones generales entre objetos, NeatNet aprende las preferencias individuales de los usuarios. Por ejemplo, el sistema puede aprender en qué lado del plato suelen poner los usuarios sus cubiertos, ya que zurdos y diestros pueden tener preferencias distintas.
El doctor Jones y Kapeliukh evaluaron su técnica en una serie de experimentos, utilizando ejemplos de disposición de habitaciones creados con un simulador de limpieza que representaba las preferencias de 75 usuarios distintos. En estas pruebas, NeatNet produjo de forma constante limpiezas de habitaciones ordenadas y personalizadas.
«Descubrimos que ordenar las habitaciones de forma individualizada resultaba más agradable para los usuarios que ordenarlas igual para todos. Esto se cumplía incluso en espacios sencillos, y en casas reales con cientos de objetos hay muchas más formas de ordenar cada habitación»
Cuando los robots sean más comunes, su capacidad para realizar tareas de forma coherente con las preferencias de cada usuario podría resultar especialmente valiosa. Así, NeatNet podría ser especialmente útil para mejorar el rendimiento de los asistentes domésticos y los robots.
«Otro descubrimiento interesante es que, aunque la red neuronal representa las preferencias del usuario como una secuencia de números, aun así pudimos encontrar algunos patrones significativos. Por ejemplo, NeatNet decidió agrupar por separado a los usuarios zurdos y diestros según cómo amueblaban la mesa del comedor. Esto arroja algo de luz sobre cómo funciona el modelo por dentro, algo que suele ser difícil de determinar con las redes neuronales»
Hasta ahora NeatNet solo se ha probado en simulaciones, pero ha dado resultados prometedores. Actualmente, los científicos llevan a cabo más investigación orientada a aplicar y evaluar su método en robots reales.
Los investigadores explicaron: «Utilizaremos las cámaras del robot («los ojos del robot») para determinar dónde están los objetos de la habitación. Además, estudiaremos cómo garantizar que los movimientos propuestos sean siempre seguros según las leyes de la física. Por ejemplo, un plato no debe caerse por el borde de la mesa. También estudiaremos métodos que tengan en cuenta cuánto tiempo necesitará el robot para completar esa limpieza. En lugar de ordenar toda la casa, por ejemplo, podríamos querer que el robot recoja solo unos cuantos objetos que estén muy fuera de lugar».
