PeTra, el GPS de los robots asistenciales
La ULE desarrolla una herramienta que permite conocer la posición de las personas alrededor del androide / El sistema recoge la información que el sensor láser le proporciona y la procesa mediante una red neuronal convolucional
Su nombre es PeTra. No es humana, pero su función es clave para que las personas puedan mejorar su calidad de vida en distintos entornos: oficina, hogar, hospitales, residencias de ancianos, entre otros. Gracias a ella muchas tareas se pueden desarrollar de manera conjunta. Ahora bien, ¿de qué estamos hablando? Pista: tiene mucho que ver con los robots asistenciales.
Y es que para que estos androides consigan llevar a cabo tareas más complejas necesitan localizarse en el entorno, es decir, saber dónde están; navegar o, lo que es lo mismo, moverse de un punto a otro de forma autónoma, utilizando la ruta más eficiente y evitando obstáculos, e interaccionar con las personas. Sobre este último punto, es necesario conocer la posición de las personas. PeTra (People Tracking) tiene mucho que decir al respecto.
Desarrollada por el grupo de Robótica de la Universidad de León (ULE), esta herramienta utiliza la información de un sensor láser colocado a unos 20 centímetros del suelo, en la base del robot. «Es habitual que este tipo de robots dispongan de sensores láser en sus bases para llevar a cabo las tareas de localización y navegación. La información que proporciona este sensor se trata de un corte en dos dimensiones a la altura en la que se encuentre colocado», explica Claudia Álvarez Aparicio, personal predoctoral en Formación con una beca predoctoral de la Junta de Castilla y León, para, a continuación, añadir que PeTra recoge la información que el sensor le proporciona y la procesa mediante una red neuronal convolucional.
«Una red neuronal es una herramienta que entrenamos con información similar a la que le pasaremos en un futuro, con el objetivo de que resuelva una tarea concreta. De esta forma, mediante el postprocesamiento de la información que la red neuronal nos devuelve, podemos obtener la posición en la que se encuentran las personas en las inmediaciones del robot», indica.
Un proyecto innovador, según explica, ya que no es habitual utilizar un sensor láser para llevar a cabo tareas de localización de personas. «La decisión de utilizar un sensor láser se debe, por un lado, a que la gran mayoría de los robots de servicio disponen de este tipo de sensores en sus bases y, por otro, a que el coste de procesar la información del sensor láser es mucho menor que el de procesar, por ejemplo, la información de una cámara».
PeTra se ha desarrollado dentro del framework ROS (Robot Operating System), que es el estándar en el desarrollo de aplicaciones en robótica. De igual forma, se basa en el uso de técnicas de inteligencia artificial, específicamente en el uso de aprendizaje supervisado. «Este tipo de técnicas se sustentan en el entrenamiento de un modelo de red neuronal con grandes volúmenes de datos. Para entrenar un modelo de red neuronal, se necesita proporcionar al modelo información similar a la que le pasaremos en un futuro», apunta Álvarez, quien añade que si se quiere que la red neuronal detecte si hay caballos o no dentro de una imagen, se debe entrenar con muchas imágenes de caballos. Así, se consigue que el sistema pueda resolver la tarea concreta para la que ha sido entrenado.
Respecto a las ventajas, indica que la principal es el uso del sensor láser como método de recopilación de información, ya que la mayoría de los robots de servicios disponen de este tipo de sensor colocado en su base, lo que permite que cualquier androide que disponga de este sensor pueda utilizar esta herramienta. A este valor añadido se suma que el coste computacional de utilizar este tipo de sensor es menor que, por ejemplo, el de una cámara. «Esto es debido a que el sensor láser proporciona la información de forma sencilla lo que hace que tanto su tratamiento como la comunicación de esta suponga menos carga para el robot», defiende.
El broche a las ventajas lo pone que se basa en ROS, que es fácilmente integrable en cualquier robot que utilice este framework de base. Además, de poder ser usado con otro tipo de herramientas, como la solución BRITTANY que también han desarrollado dentro del grupo y que permite identificar a las personas por su forma de caminar, de la misma forma que las identifica con la huella dactilar o el reconocimiento de iris.
Dentro del grupo de Robótica de la Universidad de León, disponen de un apartamento simulado, que sirve para probar las herramientas como si de un entorno real se tratara. Este espacio dispone de una cocina, un salón, un baño y una habitación. De momento, los resultados son «buenos». No obstante, avanza que van a seguir trabajando en obtener un robot socialmente aceptable que pueda ser desplegado en cualquier tipo de entornos, con el objetivo de ayudar a las personas en sus tareas del día a día. «Se trata de un reto muy ambicioso en el que no solo estamos trabajando en León, sino que se trabaja tanto a nivel nacional como internacional. Poco a poco aunando esfuerzos entre toda la comunidad robótica, conseguiremos un robot de estas características». MERLÍN
El grupo de Robótica de la ULE trabaja en una arquitectura cognitiva para robots, que busca resolver el problema de la gestión del comportamiento de los androides. «Trabajamos en arquitectura híbrida basada en capas. Se dice que es híbrida porque está compuesta por un sistema reactivo, que se encarga de los sensores y actuadores, y un sistema deliberativo, que se ocupa de la toma de decisiones», expone antes de declarar que las capas de la arquitectura son capa de misión, que origina los objetivos que el robot tendrá que cumplir; capa de planificación, que genera los planes para cumplir los objetivos; capa ejecutiva, formada por las acciones que armarán los planes, y capa reactiva, compuesta por los sistemas reactivos.
Esta aplicación está destinada a ser usada para desarrollar nuevos comportamientos. Por este motivo, los desarrolladores tendrán que definir las acciones y objetivos que el robot necesitará. De esta manera, su funcionamiento se basa en la generación de objetivos en la capa de misión. Estas metas, junto con el conocimiento que se tiene del entorno del robot, se usarán para crear los planes, que son secuencias de acciones. Por último, se ejecutan las acciones que podrán emplear los sistemas reactivos.