Los Robots Humanoides

Este elemento es una ampliación de los cursos y guías de Lawi. Ofrece hechos, comentarios y análisis sobre este tema. [aioseo_breadcrumbs]

Los Robots Humanoides

Incluso antes de que la robótica moderna comenzara a desarrollarse, los filósofos, ingenieros y artistas estaban interesados en máquinas similares a las humanas. El primer ejemplo conocido de un mecanismo humanoide, cuyo diseño se ha conservado y puede ser reconstruido hasta hoy, es un caballero mecánico creado por Leonardo da Vinci y presentado al gobernante milanés Ludovico Sforza alrededor de 1495. El mecanismo tenía una estructura cinemática similar a la de los actuales robots humanoides y podía moverse por un sistema de cables y poleas. Más recientemente, escritores como Isaac Asimov pensaron en robots que tienen una forma similar a la de los humanos.

Hay varias razones por las que se cree que los robots humanoides son interesantes:

Los ambientes humanos están construidos para los humanos, por lo tanto un robot de propósito general diseñado para ambientes humanos, por ejemplo, casas, fábricas, hospitales, escuelas, etc., debe tener una forma similar a los humanos para operar con éxito en tales ambientes.

Es más natural que los humanos interactúen y se comuniquen con robots que se vean y se comporten como humanos.

Un robot humanoide puede servir como herramienta experimental para probar las teorías sobre el comportamiento humano creadas por neurocientíficos computacionales, interesados en cómo funciona el cerebro humano.
Se puede decir que la robótica humanoide moderna comenzó con una serie de robots humanoides creados en la Universidad de Waseda en Tokio, Japón. El primero de estos robots fue WABOT-1 creado en 1973.

A pesar de los recientes avances en áreas relacionadas como la robótica suave y la inteligencia artificial, los robots humanoides que pueden operar en entornos poblados por humanos, donde colaboran y se comunican con las personas de forma natural, siguen siendo sólo un sueño lejano. Actualmente, los robots humanoides están en la etapa en que pueden ejecutar una variedad de tareas. Las tareas que se utilizan, por ejemplo, en las competiciones de robots humanoides, como DARPA Robotics Challenge, incluyen:

• Conducir: conducir un vehículo utilitario por un carril bloqueado con barreras.
• Egreso: salir del vehículo y desplazarse a un área específica.
• Puerta: abrir una puerta y viajar a través de un portal.
• Válvula: girar una válvula accionada por un volante.
• Pared: usar una herramienta (taladro o sierra) para cortar un panel de hormigón.
• Tarea sorpresa, que no se conocía hasta el día de la competición: quitar un tapón magnético de un enchufe e insertarlo en otro enchufe.
• Escombros: cruzar un campo de escombros o atravesar un terreno irregular.
• Escaleras: subir las escaleras.

Los robots humanoides modernos ya pueden ejecutar tales tareas de forma autónoma, siempre que se conozca de antemano el estado aproximado del entorno.

Puntualización

Sin embargo, sigue siendo difícil para los robots humanoides modernos realizar tales tareas sin alguna información previa sobre las condiciones ambientales que puede explotar un programador para preparar al robot humanoide para la ejecución de múltiples tareas. La integración y la secuenciación continua de las múltiples acciones de los robots sigue siendo un problema y todavía se necesita cierto grado de teleoperación cuando se realizan secuencias de tareas más largas.

Mientras que la mayoría de las metodologías robóticas estándar relativas a la cinemática, la dinámica, el control, la planificación (véase más en esta plataforma general) de trayectorias y la detección de los robots son relevantes también en el desarrollo de los robots humanoides, la robótica humanoide necesita ocuparse de varias cuestiones específicas. El primero es el problema de la locomoción bípeda y el equilibrio. A diferencia de otros robots, los robots humanoides deben caminar y mantener el equilibrio durante su funcionamiento.Entre las Líneas En el desafío de la robótica mencionado anteriormente, la locomoción resultó ser uno de los mayores problemas. El indicador básico que describe el equilibrio de un robot humanoide es el concepto de punto de momento cero, normalmente abreviado como ZMP. El concepto de ZMP fue introducido por Miomir Vukobratović en 1968. Sigue siendo el enfoque más utilizado para generar movimientos de marcha dinámicamente estables en los que el pie o los pies de apoyo mantienen el contacto con la superficie del suelo en todo momento. Esto es importante para evitar que el robot se caiga.

Otra cuestión específica que surge al programar los robots humanoides es el elevadísimo número de grados de libertad que requieren en comparación con los robots industriales estándar. Mientras que los robots industriales típicos sólo tienen 6 y rara vez 7 grados de libertad, los robots humanoides suelen tener más de 30 grados de libertad. Por ejemplo, uno de los robots humanoides más conocidos, Honda Asimo, tiene 34 grados de libertad: 3 en la cabeza, 7 en cada brazo (3 en el hombro, 1 en el codo y 3 en la muñeca), 1 en la cintura, 6 en cada pierna y 2 en cada mano. Un número tan grande de grados de libertad hace que la programación clásica de los robots con colgantes de enseñanza y lenguajes de programación textual sea poco práctica.

Indicaciones

En cambio, podemos explotar la similitud entre los robots humanoides y los humanos. Debido a esta similitud, los robots humanoides pueden realizar tareas de forma similar a las de los humanos. Este hecho da lugar a la idea de que en lugar de programar un robot humanoide, un profesor humano puede mostrar al robot cómo ejecutar la tarea deseada. El robot puede entonces intentar replicar la ejecución humana. Esta forma de programación de robots se llama programación por demostración o aprendizaje por imitación. (Tal vez sea de interés más investigación sobre el concepto). Su aplicación exitosa requiere que un robot transfiera el movimiento demostrado a su propia estructura cinemática y dinámica.

Otros Elementos

Además, dado que los entornos naturales rara vez son estáticos sino que cambian a menudo, el robot no puede simplemente replicar los movimientos observados.Entre las Líneas En su lugar, los movimientos observados deben adaptarse a las condiciones ambientales actuales.

Locomoción bípeda

La locomoción bípeda es un tema importante en la robótica humanoide. Aquí nos centramos en la marcha, que se distingue de otras formas de locomoción bípeda como la carrera por la restricción de que al menos un pie debe estar siempre en contacto con el suelo. Como se explicó en la introducción sobre la robótica, la mayoría de los robots humanoides modernos explotan el principio del punto cero para generar patrones estables de caminata.

Aprendizaje por imitación

Para explotar plenamente su potencial, los robots humanoides deberían ser capaces de realizar una variedad de tareas en entornos no estructurados (por ejemplo, en casas de personas, hospitales, tiendas, oficinas e incluso en entornos exteriores). El desafío de la robótica mencionado anteriormente estaba dirigido a los robots humanoides en los lugares de desastre. A diferencia de muchos entornos industriales, donde los robots se utilizan ampliamente hoy en día, esos entornos no pueden prepararse de antemano para facilitar el funcionamiento de un robot humanoide. La programación de los robots humanoides se complica aún más por el gran número de grados de libertad que implica el movimiento de los robots humanoides. De ahí que las técnicas clásicas de programación de robots basadas en colgantes de enseñanza, sistemas de simulación fuera de línea cuidadosamente preparados y lenguajes de programación no sean suficientes para los humanoides.Entre las Líneas En su lugar, es necesario equipar a los robots humanoides con capacidades de aprendizaje y adaptación. (Tal vez sea de interés más investigación sobre el concepto). De esta manera pueden ser programados más fácilmente e incluso adquirir de forma autónoma conocimientos adicionales.
El aprendizaje de los comportamientos de los robots humanoides es un problema difícil porque el espacio de todos los movimientos de los robots humanoides que hay que explorar es muy grande y aumenta exponencialmente con el número de grados de libertad. Una solución a este problema es centrar el aprendizaje en aquellas partes del espacio de movimiento del robot que son realmente relevantes para la tarea deseada. Esto puede lograrse mediante el aprendizaje por imitación, también conocido como programación por demostración. (Tal vez sea de interés más investigación sobre el concepto). Con este enfoque, un profesor humano demuestra a un robot cómo realizar la tarea deseada. Para que funcione, un robot debe ser capaz de extraer la información importante de la demostración humana y replicar las partes esenciales de la ejecución de la tarea. Si bien en la mayoría de los casos no es necesario reproducir exactamente los movimientos demostrados para ejecutar con éxito la tarea deseada, es ventajoso que el robot pueda imitar el movimiento demostrado tanto como sea posible. Dado que el cuerpo de un robot humanoide es similar al cuerpo humano, el aprendizaje por imitación suele ser un buen enfoque para centrar el aprendizaje en las partes relevantes del espacio de movimiento del robot humanoide.

Observación del movimiento humano y su transferencia al movimiento de los robots humanoides

Existen muchos sistemas y tecnologías de medición posibles que pueden utilizarse para observar y medir los movimientos humanos. Entre ellos se incluyen:

• sistemas ópticos de captura de movimiento,
• conjuntos de unidades de medición inercial (IMU),
• métodos de visión por ordenador para la estimación del movimiento humano,
• exoesqueletos pasivos,
• …guiando la mano.

A continuación explicamos las principales ventajas e inconvenientes de estos sistemas.

Dispositivos de seguimiento óptico para la captura del movimiento humano

Los rastreadores ópticos se basan en un conjunto de marcadores adheridos a un cuerpo humano. Los marcadores pueden ser pasivos (véase más en esta plataforma general) o activos. Los marcadores pasivos (véase más en esta plataforma general) están hechos de materiales retrorreflectantes, que reflejan la luz en la dirección de donde vino.Entre las Líneas En los sistemas con marcadores pasivos, las cámaras están equipadas con una banda de diodos emisores de luz infrarroja (LED). La luz emitida rebota en el marcador en la dirección de la cámara, haciendo que el marcador sea mucho más brillante que cualquier otro punto de la imagen. Esta propiedad hace que los marcadores retrorreflectantes sean fáciles de detectar en las imágenes de la cámara. Usando la triangulación, se puede calcular la ubicación de un marcador 3D si el marcador se detecta en al menos dos imágenes de cámara adquiridas simultáneamente. El movimiento previsto de los marcadores visibles se utiliza para que coincida con los marcadores visibles extraídos en dos tiempos de medición sucesivos.
A diferencia de los marcadores pasivos (véase más en esta plataforma general) que reflejan la luz, los marcadores activos están equipados con LEDs y por lo tanto emiten su propia luz.

Una Conclusión

Por consiguiente, deben ser alimentados. Los rastreadores ópticos con marcadores activos suelen iluminar sólo un marcador a la vez durante un tiempo muy corto. Así, el sistema siempre sabe qué marcador es visible en ese momento, proporcionando así la identidad del marcador. Por esta razón, los sistemas de rastreo óptico con marcadores activos pueden hacer frente a las oclusiones temporales con mayor eficacia que los sistemas con marcadores pasivos, porque un marcador activo ocluido puede ser identificado una vez que vuelve a ser visible. Este no es el caso de los marcadores pasivos. Por otra parte, como los marcadores activos requieren energía, es necesario conectarlos a una fuente de energía con cables. Esto hace que su uso sea más engorroso que el de los marcadores pasivos (véase más en esta plataforma general) que no requieren cables.

Para medir el movimiento humano, tanto los marcadores pasivos (véase más en esta plataforma general) como los activos deben estar conectados a los segmentos del cuerpo humano en lugares adecuados. Por lo general, se fijan al menos tres marcadores a cada segmento del cuerpo, de lo contrario no se puede estimar la ubicación de los segmentos rígidos del cuerpo.Entre las Líneas En el pasado se diseñaron varios trajes especiales de captura de movimiento para facilitar la fijación de marcadores a los segmentos pertinentes del cuerpo.

Basado en la experiencia de varios autores, mis opiniones, perspectivas y recomendaciones se expresarán a continuación (o en otros lugares de esta plataforma, respecto a las características en 2026 o antes, y el futuro de esta cuestión):

Exoesqueletos pasivos (véase más en esta plataforma general) y guía de manos

Una cuestión crucial que todos los sistemas anteriores deben tratar es que miden el movimiento humano sin tener en cuenta las diferencias entre la cinemática y la dinámica de los humanos y los robots. Esas mediciones deben adaptarse a menudo a las limitaciones del robot, de lo contrario el robot no puede ejecutar los movimientos demostrados. Alternativamente, se puede formular un problema de optimización no lineal para adaptar el movimiento demostrado a las capacidades de un robot objetivo.

El problema de la transferencia del movimiento humano al movimiento del robot puede evitarse aplicando diferentes sistemas de medición. (Tal vez sea de interés más investigación sobre el concepto). Una posibilidad es diseñar un dispositivo pasivo (véase más en esta plataforma) especial, que se lleva como un exoesqueleto con los grados de libertad que corresponden a los grados de libertad del robot. El exoesqueleto pasivo (véase más en esta plataforma) debe diseñarse de tal manera que no restrinja el movimiento para la mayoría de los movimientos. No tiene motores, pero debe estar equipado con goniómetros para medir los ángulos de las articulaciones. Los ángulos de unión medidos por el exoesqueleto pueden utilizarse para controlar directamente el robot si la cinemática del robot objetivo corresponde a la cinemática del exoesqueleto. Una desventaja de los exoesqueletos pasivos (véase más en esta plataforma general) es que, al igual que la ropa, deben ser construidos a la medida específica de un demostrador humano.

Algunos robots pueden ser guiados físicamente a través de los movimientos deseados. Durante el guiado manual, el movimiento es registrado por los propios sensores de ángulo de la articulación del robot y por lo tanto es, por defecto, cinemáticamente factible. Este enfoque es eficaz si el robot es obediente y puede compensar la gravedad, de modo que un demostrador humano pueda moverlo fácilmente en la dirección deseada.

El principal inconveniente de la guía manual es que la demostración del movimiento deseado es menos natural para un demostrador humano que, por ejemplo, cuando se utilizan sistemas de seguimiento basados en marcadores. Así pues, con esos sistemas a veces no es tan fácil demostrar movimientos complejos. Por ejemplo, el guiado manual no es eficaz para demostrar movimientos de baile complejos. Por otra parte, la danza puede ser fácilmente demostrada por un humano directamente y medida con un rastreador óptico, UMI o un exoesqueleto pasivo.

Primitivas de Movimiento Dinámico (DMP, por sus siglas en inglés)

Proporcionan un marco completo para el aprendizaje y control efectivos de la imitación de los movimientos de los robots. Los DMP se basan en un conjunto de ecuaciones diferenciales no lineales con una dinámica de atracción bien definida.

Los DMP proporcionan una representación efectiva para el aprendizaje de las trayectorias de los robots humanoides y para el control de los mismos. Se basan en ecuaciones diferenciales autónomas y no lineales que garantizan la creación de políticas de control cinemático suaves. Una propiedad importante de los DMP es que pueden aprenderse a partir de una sola demostración de la tarea deseada. Tienen varias ventajas en comparación con otras representaciones de motores, entre ellas:

• poseen parámetros libres que son fáciles de aprender para reproducir cualquier movimiento deseado,
• no dependen explícitamente del tiempo y permiten la modulación del tiempo,
• son robustos contra las perturbaciones,
• son fáciles de modular adaptando varios parámetros y ecuaciones.

Debido a su flexibilidad y robustez, los DMP se consideran un método de elección cuando se aprenden las trayectorias de los robots a partir de demostraciones individuales.

Datos verificados por: Marck

Véase También

Ingeniería, Control, Robótica, Mecatrónica

▷ Esperamos que haya sido de utilidad. Si conoces a alguien que pueda estar interesado en este tema, por favor comparte con él/ella este contenido. Es la mejor forma de ayudar al Proyecto Lawi.