Un robot del MIT sortea obstáculos y busca la ruta más corta sin chocar con nada

¿Se puede pedirle a un robot que llegue rápido a un lugar sin que se choque con lo que encuentra en el camino? Esa fue, justamente, una de las pruebas que investigadores del Instituto de Tecnología de Massachusetts (MIT) le plantearon a HardFlow, un método que fija condiciones obligatorias a la inteligencia artificial sin necesidad de reentrenarla. Y la respuesta fue sí: un brazo robótico sorteó los obstáculos del recorrido y eligió, además, el camino más corto hasta el objeto buscado. Las otras alternativas evaluadas o bien chocaban contra los objetos o elegían rutas bastante más largas.

Piensen en la cocina como una analogía. Imaginemos que tenemos que llevar un plato desde la hornalla hasta la mesa sin pisar al gato que duerme en el piso ni chocar contra la puerta de la heladera. Respetar esas reglas no es una mejora opcional, es una condición: si no se cumple, el plato se cae. Una vez que esa condición está garantizada, recién ahí podemos comparar dos caminos válidos y elegir el más corto o el más cómodo. HardFlow trabaja exactamente así: primero asegura que se respeten los límites obligatorios y, entre las opciones que los cumplen, busca la más eficiente.

Una diferencia clave: cuándo se exigen las reglas

La mayoría de los métodos que se usan como referencia, entre ellos el muestreo basado en proyección, aplican las restricciones en cada paso intermedio del cálculo. Ese control permanente puede restringir tanto las opciones que el sistema explora que termina costándole encontrar una buena solución. HardFlow, en cambio, deja libertad en los pasos internos y verifica que el resultado final cumpla con las condiciones. Las etapas intermedias se descartan: lo que importa es el plato servido en la mesa, no cada movimiento de la cuchara mientras cocinamos.

Para que esto sea posible sin volver a entrenar el modelo, el equipo del MIT dividió el problema en cálculos más chicos, aprovechando la estructura de los modelos de emparejamiento de flujo, una familia de modelos generativos que ya existían. Además, usaron herramientas de control óptimo para ir corrigiendo el rumbo de manera gradual hasta llegar a una respuesta válida.

Qué se evaluó y qué resultados se obtuvieron

• Manipulación con robots: el brazo robótico esquivó obstáculos y eligió el camino más corto hacia un objeto, mientras que la mayoría de las alternativas chocaba o tomaba rutas mucho más largas.
• Recorridos por laberintos: el sistema cumplió todas las restricciones impuestas en cada caso.
• Edición de imágenes a partir de instrucciones escritas: respetó las condiciones de la consigna y, además, produjo resultados de mayor calidad que los métodos usados como referencia.
• Tiempo de procesamiento: fue similar o incluso inferior al de la mayoría de las alternativas evaluadas.

En todos los casos evaluados, el método cumplió con las condiciones establecidas y superó en calidad a las referencias. Para entender la diferencia, volvamos a la cocina: no alcanza con que el plato llegue a la mesa sin caerse, también queremos que llegue bien caliente. HardFlow apunta a ambas cosas a la vez.

Quiénes están detrás del trabajo

El desarrollo fue llevado adelante por el equipo del Laboratorio de Informática e Inteligencia Artificial del MIT, conocido como CSAIL por sus siglas en inglés. Los autores del estudio son parte de ese grupo, donde suelen trabajar en problemas que combinan aprendizaje automático, optimización y robótica. Como en cualquier investigación de este tipo, los resultados corresponden a pruebas controladas en laboratorio: todavía no se probó en robots operando en entornos reales y cambiantes.

En la próxima campaña de pruebas, según anticiparon los propios investigadores, el foco estará en ver cómo escala el método cuando se lo aplica a modelos de mayor tamaño y a tareas más complejas, y en comprobar si la lógica de fijar reglas después del entrenamiento se sostiene cuando las condiciones del mundo real dejan de ser tan ordenadas como las de un laboratorio.