Una de las aplicaciones de la robótica que están más extendidas son los brazos-robot que se utilizan en líneas de producción, prótesis y algunos sistemas experimentales con la misión de agarrar objetos y moverlos de sitio. Uno de los desafíos de estos sistemas son los algoritmos que rigen los movimientos del robot y la operación de agarre (presión y fuerza a aplicar sobre el objeto o el punto de agarre) que, en muchos casos, se desarrollan a medida para cada tipo de objeto en base a su forma. En la Universidad Cornell llevan tiempo trabajando con un brazo-robot bastante peculiar que era capaz de agarrar objetos y moverlos y que ahora ha evolucionado hasta convertirse en un sistema capaz de aprender de su propia experiencia y evaluar cuál es el punto más adecuado para el agarre.

El desarrollo, que se presentará este mes en la Conferencia Internacional sobre Robótica y Automatización de St. Paul (Minnesota), es obra de dos estudiantes de posgrado de la Universidad Cornell, Yun Jiang y John Amend, que han mejorado el brazo-robot para dotarlo de inteligencia y capacidad de aprendizaje.

El brazo termina en una semiesfera plástica que está rellena de un material granular sobre el cual se aplican distintos tipos de presiones para adaptar su forma a la del objeto y, además, aplicar la fuerza de agarre. Hasta la fecha, se utilizaban distintos algoritmos adaptados cada uno al tipo de objeto a coger, sin embargo, este par de estudiantes intentó independizar la operación del robot de los objetos a mover. La idea es aplicar un modelado 3D del objeto para que el sistema pueda evaluar cuál sería la mejor forma de operar en base a los datos que ofrece el modelo y los que tiene almacenados.

¿Aplicar la propia experiencia? Básicamente es eso, aplicar los "conocimientos" con los que cuenta el robot a la imagen 3D que ha formado en base a una imagen captada por Kinect. El robot cuenta con un background previo de distintos objetos que se almacenan en una especie de biblioteca y en los que se "dibuja" un rectángulo (cuyo tamaño dependerá del tipo de objeto) que se usa como patrón para intentar encajar el objeto a mover dentro de éste. Los rectángulos están divididos en secciones y si una zona del objeto queda dentro, por ejemplo, de la banda central quizás estemos ante un asa o un buen punto de agarre, algo que se confirmará al evaluar también el tamaño y la propia forma del objeto según el modelo captado por las cámara de Kinect.

El equipo ha probado a agarrar 23 objetos de lo más variopinto y el sistema ha obtenido una puntuación de 9 sobre 10, una marca bastante interesante, sobre todo si tenemos en cuenta que la mayoría de los objetos no formaba parte de la biblioteca y eran rígidos. Con objetos deformables la estadística es algo peor, un 7 sobre 10, pero también son unos datos bastante impresionantes.