Un sistema para permitir que los robots realicen el lenguaje natural de manera efectiva

¿Sueña con un futuro en el que los robots se utilicen para una variedad de actividades para que no tengamos que hacerlas nosotros mismos?

¡Vamos, piénsalo! Limpiar, cocinar, hacer todas nuestras tareas del hogar son solo algunas de las maravillosas posibilidades. Qué maravillosa posibilidad, ¿verdad? Lamentablemente, de momento tendrás que seguir soñando.

Si bien hay algunos robots asombrosos que existen, los robots aún no son lo suficientemente adaptables para llevar a cabo una amplia gama de actividades como esta de manera efectiva. Además, aunque la tecnología de reconocimiento de voz ha avanzado a pasos agigantados, todavía no es lo suficientemente buena para su uso con Robots.

Su mejor apuesta para conseguir que algo así como un mayordomo robot hipotético siga sus instrucciones sería escribir el conjunto de instrucciones.

Comandos hablados

El problema con los comandos hablados es que contienen distintos niveles de complejidad, aunque esto no siempre está claro.

Imagínese decirle a su robot: "Recoja esa caja de allí". Esto parece bastante simple pero hay un problema. Su robot tendrá que dividir esto en varios pasos antes de completar la acción. Un posible escenario para ejecutar este comando es:

• Encienda el sistema de seguimiento
• Enciende los motores para caminar
• Cambia la direccion
• Toma los pasos necesarios
• Rotar extremidades
• Caja de apriete
• Caja de elevación

Como puede ver, esto es en realidad más complejo de lo que parecía al principio. Ahora imagina ese comando en comparación con algo como "Enciende tu sistema de seguimiento". Aunque la cantidad de palabras utilizadas para dar estos 2 comandos es similar, sus niveles de complejidad son mundos aparte.

¿Cómo podemos solucionar esto? Tal como está ahora, los robots tendrán problemas para descifrar los diferentes niveles de complejidad de los comandos hablados.

No temas, un equipo en Universidad de Brown ha desarrollado un sistema que mejora la forma en que los robots manejan los comandos hablados.

Cómo hacer que sus robots obedezcan sus órdenes: un sistema para permitir que los robots ejecuten comandos hablados de manera efectiva

Los investigadores de Brown utilizaron los datos que obtuvieron para entrenar su sistema para comprender los diferentes niveles de complejidad. Luego, el sistema pudo recopilar qué acciones se debían llevar a cabo y comprender los niveles de complejidad asociados con las diferentes estructuras de oraciones.

El equipo de la Universidad de Brown decidió abordar el problema de hacer que los robots ejecuten comandos hablados mediante un sistema ingenioso. Usaron tanto Amazon Turco mecánico así como una herramienta llamada Virtual Cleanup World para desarrollar su modelo.

El mundo de limpieza virtual es un dominio de tareas virtual. Consta de habitaciones codificadas por colores, un robot virtual y un objeto para que el robot realice tareas.

Los voluntarios de Mechanical Turk descubrieron qué conjuntos de instrucciones llevaron a acciones particulares en el mundo de la limpieza. Primero, observaron al robot mientras realizaba una variedad de tareas.

Luego se les preguntó qué conjuntos de instrucciones pensaban que funcionarían mejor. Se pidió a los voluntarios que crearan comandos de alto, medio y bajo nivel.

Los comandos de alto nivel eran los que indicaban al robot que llevara una silla a una habitación de un color en particular. Los comandos de bajo nivel eran comandos divididos en varios pasos. Los comandos de nivel medio combinaban las características de los comandos de nivel alto y bajo.

Los investigadores de Brown utilizaron los datos que obtuvieron para entrenar su sistema para comprender los diferentes niveles de complejidad. Luego, el sistema pudo recopilar qué acciones se debían llevar a cabo y comprender los niveles de complejidad asociados con las diferentes estructuras de oraciones.

Poniendo el sistema a prueba

Cuando los robots pudieron determinar el resultado final deseado, así como comprender el nivel de complejidad de las tareas, completaron la tarea en solo 1 segundo el 90 por ciento del tiempo.

En base a esto, pudo diseñar un plan apropiado basado en los comandos hablados que se le dieron. Después de entrenar su sistema, llegó el momento de probar los frutos de su trabajo. La investigación hizo uso de Cleanup World una vez más, así como un robot real que opera en un espacio físico configurado de manera similar al Cleanup World virtual.

Cuando los robots pudieron determinar el resultado final deseado, así como comprender el nivel de complejidad de las tareas, completaron la tarea en solo 1 segundo el 90 por ciento del tiempo.

Sin embargo, cuando hubo una falla en la comprensión del nivel de complejidad, la finalización de la tarea tomó más tiempo. En este caso, los robots necesitaron 20 segundos o más de planificación para completar una tarea.

Los investigadores deberán encontrar formas de minimizar estas averías para crear un sistema más eficiente.

Pensamientos finales

Los robots todavía tienen un largo camino por recorrer antes de que se conviertan en la corriente principal. Sin embargo, este trabajo nos acerca a tener robots que pueden entender fácilmente los comandos que les damos. Hasta entonces, ve a lavar tus propios platos.