Un robot del MIT aprende a esquivar obstáculos sin chocar de cabeza contra la pared

Levantate y andá. Parece simple, pero para un robot sortear un escritorio, una silla y un gato es una odisea. En el Massachusetts Institute of Technology encontraron la vuelta: HardFlow, un método que le pone límites a la inteligencia artificial sin mandarla de nuevo a la escuela. En uno de los ensayos, un brazo robótico llegó hasta un objeto esquivando todo lo que se le cruzó y, de yapa, eligió el recorrido más corto. La mayoría de los sistemas con los que lo compararon terminaron chocando o dando rodeos innecesarios.

La idea de fondo: reglas obligatorias y objetivo de eficiencia

La clave está en mezclar dos cosas que suelen ir por separado. Para un robot, no chocar es innegociable: es una condición de seguridad, no una opción. Acortar el camino hasta el destino, en cambio, es una mejora que se puede buscar entre los trayectos permitidos. HardFlow permite trabajar sobre ambas exigencias en un mismo proceso, algo que los métodos anteriores no lograban sin resignar calidad o velocidad.

Lo más jugoso del asunto es que no hace falta reentrenar al modelo. El sistema funciona sobre inteligencias artificiales generativas que ya pasaron por el aula y actúa en el momento en que se las usa, en producción, no en el cuaderno. Para que esto fuera viable, el equipo del MIT partió el problema en pedazos más chicos y se apoyó en la estructura de los modelos de emparejamiento de flujo, una arquitectura bastante particular que permite resolver el cálculo por etapas.

El truco: dejar libertad adentro y exigir el cumplimiento al final

La diferencia con otras técnicas está en cuándo se le ponen las reglas al sistema. El método que usaron como referencia, llamado muestreo basado en proyección, impone las restricciones en cada paso de la generación. Algo así como retar al robot cada vez que da un paso. Ese ajuste permanente achica las opciones que la inteligencia artificial puede explorar y termina empantanándola, sin encontrar la mejor solución.

HardFlow, en cambio, deja que las etapas internas respiren y solo les exige que el resultado final respete las condiciones. Las intermedias se tiran a la basura, sirven nada más para guiar el cálculo. Los investigadores usaron herramientas de control óptimo para ir corrigiendo de a poco y llevar la generación hasta una respuesta válida, sin sofocarla en el intento.

• Manipulación con robots: un brazo sorteó obstáculos y eligió el camino más corto hacia un objeto, sin colisiones.
• Recorridos por laberintos: el sistema cumplió las restricciones y mejoró la calidad frente a las referencias.
• Edición de imágenes por instrucciones escritas: las modificaciones respetaron las condiciones pedidas y dieron mejores resultados.

Las pruebas se repitieron en estos tres escenarios y el balance fue parejo para los de Boston. En todos los casos las restricciones se cumplieron y la calidad de las soluciones le ganó de manera consistente a los métodos con los que lo compararon. El tiempo de procesamiento fue parecido o menor al de la mayoría de las alternativas. Para un campo donde cada milisegundo cuenta, no es un dato menor. El estudio lo presentaron en la Conferencia sobre Sistemas de Procesamiento de Información Neural, la cita anual donde la investigación en inteligencia artificial muestra sus mejores cartas.

“HardFlow no necesita reentrenar al modelo, solo le marca la cancha cuando ya está en juego. Para un robot, eso es la diferencia entre llegar a destino o terminar empujando el sillón de la sala.”Ezequiel Arjona, Deportes