Robots como Guías para Museos

La robótica actualmente está experimentando una evolución muy importante. Mientras que en el pasado los robots se empleaban, predominantemente, en líneas de ensamblaje y otros entornos bien estructurados, hoy en día ha comenzado a surgir una nueva generación de robots de servicio, diseñados para ayudarnos en nuestra  vida cotidiana. Estos robots deben hacer frente, en un grado mucho mayor, a la incertidumbre que existe inherentemente en los dominios de aplicación del mundo real. Y esa incertidumbre surge de cuatro fuentes principales:

1. Ambientes. La mayoría de los entornos y escenarios del mundo real son impredecibles. Este es el caso, por ejemplo, de los robots que operan cerca de las personas. Los entornos tipo que nos afectan a nosotros, como profesionales de los museos, son extremadamente dinámicos e imponen, de modo significativo, una percepción interna del mundo del robot muy poco certera
2. Robots. El hardware del robot también es impredecible. Los robots están sujetos a desgaste, y los sensores internos para medir el desempeño del robot, como en el caso del uso de la odometría, a menudo son solo correctos por aproximación.
3. Sensores. El proceso físico que genera mediciones a partir del uso de un sensor normalmente induce a que éstas presenten fallos. Por otro lado, el alcance y la resolución de los sensores son intrínsecamente limitados. Todo esto hace que, a menudo, sea casi imposible llevar a cabo mediciones numerosas cuando se precisan.
4. Modelos. Los modelos de fenómenos físicos que se realizan con robots, así como los entornos robóticos, son bastante aproximados, por lo que su uso introduce cierta incertidumbre adicional, una cuestión que todavía debe mejorarse en la robótica.

Pero podríamos hablar también del paradigma probabilístico de la robótica, que contempla la incertidumbre inherente sobre la percepción del robot, y se basa en representaciones explícitas de dicha incertidumbre a la hora de determinar qué hacer con ellos. Observándolo desde el punto de vista de la probabilidad, la percepción es un problema de estimación de estado estadístico, donde la información recibida a partir del uso de sensores se relaciona con la probabilidad. La planificación y el control persiguen mejorar las capacidades de decisión por las que un robot busca maximizar su utilidad (rendimiento). El enfoque probabilístico podría ofrecer una solución viable para una amplia gama de problemas que los robots son capaces de solucionar.

Podemos poner un ejemplo de un sistema de robot específico, desarrollado para evaluar la idea de la robótica probabilística en un entorno complejo del mundo real. Minerva, es un robot interactivo que actúa como guía de museo. Comenzó a hacerlo en uno de los museos más grandes de los Estados Unidos: el Museo Smithsonian de Historia Americana en Washington, DC. Minerva operaba en el área central del primer piso, guiando a los visitantes a través de una exposición denominada «El Mundo Material». Su tarea consistía en atraer al público para explicarles las diversas salas de exposiciones. También permitía a usuarios remotos visitar el museo a través de un enlace web. Este enlace hizo posible que todos aquellos que estuvieran conectados pudieran ver imágenes recopiladas en el museo y controlar el funcionamiento del robot. Durante su despliegue operativo, Minerva recorrió más de 44 km acompañada de multitud de visitantes, haciendo 620 recorridos diferentes en más de 2.600 exposiciones.

Que un robot opere en un museo es una tarea desafiante, diferente – en muchos aspectos – de los escenarios operativos más tradicionales de los robots móviles. El espacio del museo puede hallarse densamente poblado, con docenas de personas reunidas alrededor de la máquina, por lo que las mediciones del sensor del robot son extremadamente erróneas y dificulta algunas tareas simples, como la localización. De hecho, los visitantes buscan, a menudo, interactuar con el sistema, lo que impone desafíos adicionales en el diseño del software. En el caso de Minerva, el entorno del museo no se alteró en modo alguno para facilitar la operatividad del robot, por lo que éste tuvo que confiar en el seguimiento de señales naturales para su orientación. Otro desafío surgia de la necesidad de operar a la velocidad de un humano caminando y evitar, al mismo tiempo, chocar contra ellos. Las colisiones con objetos de las exposiciones y otros obstáculos fueron casi igualmente desafiantes, ya que muchos de ellos son muy frágiles y valiosos. Una dificultad añadida fue el hecho de que no todos los obstáculos y peligros eran «visibles» para los sensores del robot. Así, por ejemplo, el museo poseía una escalera mecánica descendente muy cerca del área operativa del robot, y a pesar de que se debía evitar que pudiera caer por ella, ninguno de los sensores del robot pudo detectar el peligro. Asimismo, ciertos elementos fueron encerrados en vitrinas; sin embargo, los sensores de detección de obstáculos primarios del robot – un par de buscadores de alcance láser – utilizan luz para medir el alcance y, por lo tanto, no son capaces de detectar el vidrio. La presencia de estos peligros «invisibles» planteó el hecho de que no pueden evitarse  si ni siquiera son detectados.

Al mismo tiempo, el entorno del museo genera un importante problema de interacción entre el robot y los visitantes. En el museo Smithsonian, la mayoría de las veces esa interacción se producia en cortos períodos de tiempo – unos 10 minutos-. Aquellos que se acercaban al robot generalmente carecían de experiencia en tecnología robótica. Proporcionarles manuales de operativa robótica complicados no se planteaba como opción, pero si que el robot fuera autoexplicativo y amable. Una vez que dirigía un recorrido, la » máquina» debía comunicar, de manera efectiva, sus intenciones y objetivos. Pero los visitantes parecían disfrutar bloqueando el camino del robot.¿Cómo puede un robot progresar con efectividad con docenas de personas alrededor? En otras ocasiones, el desafío consistía en atraer público, por ejemplo, entre recorridos, cuando un grupo acababa de irse. Finalmente, surgió el diseño de una interfaz web que permitiera a personas de todo el mundo hacer una «visita virtual» al museo. Actualmente, los museos están sujetos a su ubicación física. El uso de robots permite abrir museos a personas de cualquier parte del mundo, lo que podría alterar fundamentalmente la forma de operar de éstos. Minerva, por lo tanto, supuso un banco de pruebas único para el uso de la tecnología de Internet en el espacio de un museo importante.

Como se desprende de la experiencia de Minerva, la falta de certezas desempeña un papel primordial en los proyectos con robots. El software de Minerva era ampliamente probabilístico y se basaba en la representación explícita de la incertidumbre en diversas áreas de percepción, planificación y control. Empleaba un algoritmo probabilístico para aprender los mapas de su entorno. Una vez aprendido uno, se utilizaba otro algoritmo, denominado «Localizador de Markov», para situar a Minerva en relación con su mapa. Para generar el movimiento, el robot empleaba un planificador de movimiento probabilístico que anticipa la incertidumbre futura, reduciendo así las posibilidades de perder el rastro de la posición del robot. Los comandos de movimiento son procesados ​​por un módulo de prevención de colisiones reactivo, que se basa en dicha incertidumbre y consigue evitar peligros ocultos. También utiliza algoritmos de aprendizaje en el nivel de interacción del usuario, lo que le permite aprender comportamientos para atraer personas y componer recorridos que cumplan con la duración deseada del recorrido,

Minerva es un robot de segunda generación, y sigue el ejemplo exitoso del robot Rhino desarrollado por el mismo equipo de investigadores. Rhino se implementó en el Deutsches Museum de Bonn, compartiendo muchos de los mismos algoritmos de navegación probabilísticos. Sin embargo, Minerva fue más allá, por diversas razones, desde el uso de nuevos algoritmos probabilísticos para aprender mapas desde cero, hasta el desarrollo de un conjunto de habilidades, muy mejorado,  para interaccionar con las personas. La naturaleza probabilística de los principales componentes de software de Minerva fue esencial para su éxito.

Los resultados de la experiencia del uso de robots como guías de museos son una muestra de que los algoritmos probabilísticos son adecuados para la estimación de dimensiones complejas y para abordar las dificultades de aprendizaje; de hecho, no se conoce un algoritmo comparable que pueda resolver problemas tan sofisticados. Pero, al mismo tiempo no contempla explícitamente la incertidumbre inherente en la percepción de un escenario complejo. Los resultados también muestran un desempeño favorable en la planificación y el control reactivo utilizando algoritmos probabilísticos. Las representaciones probabilísticas eran una localización esencial o confiable, así como la capacidad del robot para evitar con seguridad las escaleras mecánicas descendentes y otros peligros «invisibles» (cristales) en un museo densamente concurrido.

Consideramos que el paradigma probabilístico es un enfoque general y poderoso de la robótica, altamente útil para toda una gama de aplicaciones de robots que involucran la detección del mundo real. Los sensores aún son inherentemente limitados, los ambientes son dinámicos y cambiantes y los modelos inexactos, por lo que la incertidumbre juega un papel fundamental en la robótica. Cada avance que se produzca arrojará luz sobre la idoneidad del enfoque probabilístico en la robótica aplicada a los museos, y permitirá saber cómo resolver gran variedad de problemas de una manera matemáticamente consistente.

Recurso: