Ciudad de México,
Antonio Moreno
Crédito foto: Freepik
Al combinar algoritmos basados en aprendizaje profundo y de red neuronal, científicos lograron desarrollar un nuevo algoritmo capaz de ayudar a máquinas autónomas a navegar por el espacio con obstáculos físicos. El algoritmo, llamado CARRL (acrónimo de Robustez Adversaria Certificada para el Aprendizaje de Refuerzo Profundo, en inglés) complementa los sensores de las cámaras integradas en las máquinas cuando estas son bloqueadas y así puedan desarrollarse con continuidad. Así, el sistema puede medir con eficacia las entradas no deseadas a las que se puede exponer un auto o robot autónomo durante su función en la vida real.
Científicos del Instituto Tecnológico de Massachussets (MIT) lograron desarrollar el nuevo algoritmo de aprendizaje profundo, CARRL, basado en sistemas para enseñar a computadoras a jugar ajedrez. De esta manera, el algoritmo ayudaría a las máquinas a evitar colisiones en el "mundo real", al complementar sensores de cámaras con inteligencia artificial (IA).
Tradicionalmente, los sistemas de navegación autónoma eran desarrollados por medio de IA capaz de reconocer imágenes familiares para la máquina y así enviar órdenes al cerebro artificial. Pero un inconveniente de ese sistema es, si la imagen por reconocer tiene algún defecto, podría desgastar la energía de la máquina en reconocerla y sería más lenta la toma de decisiones.
"Nuestro enfoque ayuda a dar señalar esa imperfección y tomar una decisión segura", indicó Michael Everett, postdoctor del Departamento de Aeronáutica y Astronáutica (AeroAstro) del MIT. Los científicos probaron el algoritmo en varios escenarios, en los cuales incluyeron el videojuego Pong, simulando plataformas para evitar colisiones. De esta manera, CARRL reforzó algoritmos de aprendizaje profundo y de red neuronal, logrando prescindir de la respuesta a entradas por sensores.
El estudio, originado a partir de la tesis de maestría del estudiante de doctorado del MIT Björn Lütjens, intenta complementar los fallos visuales de cámaras con sensores. Los errores habitualmente presentados en las cámaras son movimientos sutiles de pixeles y lento reconocimiento de una imagen no familiar. "Con la intención de usar redes neuronales para la seguridad en escenarios críticos, tuvimos que averiguar cómo tomar decisiones en tiempo real basadas en el peor de los casos sobre estas posibles realidades", explicó Lütjens.
Según el grupo de científicos encargados del estudio, este avance es el primero en aportar "robustez certificable" a entradas inciertas y contradictorias en IA y algoritmos de aprendizaje profundo. También, dicho algoritmo podrá integrarse a robots y autos autónomos con sensores imperfectos y así ayudarlos a una navegación segura en el mundo real.