Un’elaborazione dei dati più intelligente potrebbe rendere le macchine più utili ed efficienti dal punto di vista energetico nel mondo reale. Un buon modo per testare questo principio è il calcio robotico.
I robot percepiscono il mondo circostante in modo molto diverso da come lo percepiscono gli esseri umani.
Quando camminiamo per strada, sappiamo a cosa dobbiamo prestare attenzione – auto in transito, potenziali pericoli, ostacoli sulla nostra strada – e a cosa non dobbiamo prestare attenzione, come i pedoni che camminano in lontananza. I robot, invece, trattano tutte le informazioni che ricevono sull’ambiente circostante con la stessa importanza. Le auto senza conducente, ad esempio, devono analizzare continuamente i dati relativi agli oggetti che le circondano, siano essi rilevanti o meno. Questo permette di mantenere la sicurezza di conducenti e pedoni, ma richiede molta energia e potenza di calcolo. E se ci fosse un modo per ridurla, insegnando ai robot quali sono le cose a cui dare priorità e quelle che possono tranquillamente ignorare?
Questo è il principio alla base della “robotica pigra”, un campo di studi sostenuto da René van de Molengraft, professore della Eindhoven University of Technology nei Paesi Bassi. Egli ritiene che insegnare a tutti i tipi di robot a essere più “pigri” con i loro dati potrebbe aiutare a spianare la strada a macchine che interagiscono meglio con le cose nel loro ambiente reale, compresi gli esseri umani. In sostanza, più un robot può essere efficiente con le informazioni, meglio è.
La robotica pigra di Van de Molengraft è solo uno degli approcci che i ricercatori e le aziende di robotica stanno adottando per addestrare i loro robot a completare azioni con successo, flessibilità e nel modo più efficiente possibile.
Insegnare loro ad essere più intelligenti nel vagliare i dati che raccolgono e quindi a de-prioritizzare tutto ciò che è sicuro trascurare contribuirà a renderli più sicuri e affidabili, un obiettivo di lunga data della comunità robotica.
Secondo Van de Molengraft, semplificare i compiti in questo modo è necessario se i robot devono essere adottati in modo più diffuso, perché il loro attuale utilizzo di energia non è scalabile: sarebbe proibitivo e dannoso per l’ambiente. “Penso che il miglior robot sia un robot pigro”, afferma. “Dovrebbero essere pigri di default, proprio come lo siamo noi”.
Imparare a essere più pigri
Van de Molengraft ha trovato un modo divertente per testare questi sforzi: insegnare ai robot a giocare a calcio. Di recente ha guidato la squadra di calcio di robot autonomi della sua università, il Tech United, alla vittoria della RoboCup, una competizione internazionale annuale di robotica e intelligenza artificiale che mette alla prova le abilità dei robot sul campo di calcio. Il calcio è una sfida difficile per i robot, perché sia segnare che bloccare i gol richiede movimenti rapidi e controllati, decisioni strategiche e coordinazione.
Imparare a concentrarsi e ad escludere le distrazioni intorno a loro, proprio come fanno i migliori calciatori umani, li renderà non solo più efficienti dal punto di vista energetico (soprattutto per i robot alimentati a batterie), ma anche più propensi a prendere decisioni più intelligenti in situazioni dinamiche e in rapido movimento.
I robot di Tech United hanno utilizzato diverse tattiche “pigre” per avere un vantaggio sugli avversari durante la RoboCup. Uno degli approcci è stato quello di creare un “modello del mondo” di un campo da calcio che identifica e mappa il suo tracciato e le linee di demarcazione, elementi che rimangono invariati per tutta la partita. In questo modo i robot alimentati a batteria non devono scansionare costantemente l’ambiente circostante, sprecando energia preziosa. Ogni robot, inoltre, condivide con i suoi quattro compagni di squadra ciò che la sua telecamera sta catturando, creando una visione più ampia del campo per aiutare a tenere traccia del pallone in rapido movimento.
In precedenza, i robot avevano bisogno di una traiettoria precisa e precodificata per muoversi sul campo. Ora Van de Molengraft e il suo team stanno sperimentando la possibilità di far scegliere ai robot il proprio percorso verso una destinazione specifica. In questo modo si risparmia l’energia necessaria per tracciare un percorso specifico e si aiutano i robot a far fronte agli ostacoli che possono incontrare lungo il cammino.
Il gruppo ha anche insegnato alla squadra a eseguire “passaggi penetranti” – in cui un robot tira verso una zona aperta del campo e comunica al membro della sua squadra meglio posizionato per riceverlo – e abilità come ricevere o passare la palla all’interno di configurazioni come i triangoli. Dando ai robot l’accesso a modelli del mondo costruiti utilizzando i dati dell’ambiente circostante, è possibile eseguire le loro abilità in qualsiasi punto del campo, anziché solo in punti specifici.
Oltre il campo da calcio
Mentre il calcio è un modo divertente per testare il successo di questi metodi robotici, altri ricercatori stanno lavorando al problema dell’efficienza, con una posta in gioco molto più alta.
Migliorare la capacità dei robot che lavorano nei magazzini di assegnare priorità ai diversi input di dati è essenziale per garantire che possano operare in modo sicuro in prossimità degli esseri umani e che si possa fare affidamento su di loro per completare i compiti, ad esempio. Se le macchine non sono in grado di gestire questo aspetto, le aziende potrebbero ritrovarsi con una spedizione in ritardo, merci danneggiate, un lavoratore umano ferito o peggio, afferma Chris Walti, ex capo della divisione robotica di Tesla.
Walti ha lasciato l’azienda per fondare una propria società dopo aver constatato quanto fosse difficile far sì che i robot si limitassero a spostare i materiali. La sua startup, Mytra, progetta macchine completamente autonome che utilizzano la visione computerizzata e un sistema di apprendimento rinforzato dell’intelligenza artificiale per conoscere gli altri robot più vicini e per aiutarli a ragionare e collaborare per portare a termine compiti (come spostare un pallet rotto) in modo molto più efficiente dal punto di vista computazionale.
La maggior parte dei robot mobili presenti nei magazzini oggi sono controllati da un unico “cervello” centrale che detta i percorsi da seguire, il che significa che un robot deve attendere istruzioni prima di poter fare qualsiasi cosa. Questo approccio non solo è difficile da scalare, ma consuma molta potenza di calcolo centrale e richiede collegamenti di comunicazione molto affidabili.
Mytra ritiene di aver trovato un approccio molto più efficiente, che riconosce che i singoli robot non hanno bisogno di sapere cosa stanno facendo centinaia di altri robot dall’altra parte del magazzino. Il suo sistema di apprendimento automatico riduce questi dati inutili e la potenza di calcolo necessaria per elaborarli, simulando il percorso ottimale che ogni robot può seguire attraverso il magazzino per svolgere il proprio compito. Ciò consente loro di agire in modo molto più autonomo.
“Nel contesto del calcio, essere efficienti permette di segnare più gol. Nel contesto della produzione, essere efficienti è ancora più importante perché significa che un sistema funziona in modo più affidabile”, spiega. “Fornendo ai robot la capacità di agire e pensare in modo autonomo ed efficiente, si ottimizza anche l’efficienza e l’affidabilità dell’intera operazione”.
Sebbene la semplificazione dei tipi di informazioni che i robot devono elaborare rappresenti una sfida importante, si stanno facendo passi avanti, afferma Daniel Polani, professore dell’Università di Hertfordshire nel Regno Unito, specializzato nella replica dei processi biologici nei sistemi artificiali. È anche un fan della sfida della RoboCup: infatti, è a capo della squadra di calcio robotica Bold Hearts della sua università, che è arrivata al secondo turno del campionato umanoide della RoboCup di quest’anno.
“Gli organismi cercano di non elaborare informazioni di cui non hanno bisogno perché l’elaborazione è molto costosa, in termini di energia metabolica”, spiega Polani. Polani è interessato ad applicare queste lezioni di biologia alle vaste reti che alimentano i robot per renderli più efficienti con le loro informazioni. Ridurre la quantità di informazioni che un robot può elaborare lo renderà solo più debole, a seconda della natura del compito che gli è stato assegnato. Dovrebbero invece imparare a utilizzare i dati a loro disposizione in modo più intelligente.
Semplificare il software
Amazon, che dispone di oltre 750.000 robot, la più grande flotta di questo tipo al mondo, è anche interessata a utilizzare l’IA per aiutarli a prendere decisioni più intelligenti, sicure ed efficienti. I robot di Amazon si dividono principalmente in due categorie: robot mobili che spostano le scorte e bracci robotici progettati per movimentare gli oggetti. I sistemi di intelligenza artificiale che alimentano queste macchine raccolgono ogni giorno milioni di dati per addestrarle a svolgere i loro compiti. Ad esempio, devono imparare quale oggetto afferrare e spostare da una pila o come evitare in modo sicuro i magazzinieri umani. Questi processi richiedono molta potenza di calcolo, che le nuove tecniche possono aiutare a ridurre al minimo.
In genere, i bracci robotici e i robot di “manipolazione” simili utilizzano l’apprendimento automatico per capire come identificare gli oggetti, ad esempio. Poi seguono regole o algoritmi codificati per decidere come agire. Con l’intelligenza artificiale generativa, questi stessi robot possono prevedere l’esito di un’azione prima ancora di tentarla, in modo da scegliere l’azione con maggiori probabilità di successo o determinare il miglior approccio possibile per afferrare un oggetto da spostare.
Questi sistemi di apprendimento sono molto più scalabili rispetto ai metodi tradizionali di addestramento dei robot e la combinazione di IA generativa e set di dati massicci aiuta a semplificare la sequenza di un’attività e a eliminare strati di analisi non necessari. È qui che si realizza il risparmio di potenza di calcolo. “Possiamo semplificare il software chiedendo ai modelli di fare di più”, afferma Michael Wolf, scienziato principale di Amazon Robotics. “Stiamo entrando in una fase in cui stiamo ripensando radicalmente il modo in cui costruiamo l’autonomia dei nostri sistemi robotici”.
Ottenere di più facendo di meno
La competizione RoboCup di quest’anno può dirsi conclusa, ma Van de Molengraft non si sta adagiando sugli allori dopo il clamoroso successo della sua squadra. “In ognuno dei robot sono ancora in corso molte attività di calcolo che non sono di per sé necessarie in ogni momento”, dice. Sta già iniziando a lavorare su nuovi modi per rendere la sua squadra robotica ancora più pigra, per ottenere un vantaggio sui suoi rivali l’anno prossimo.
Sebbene i robot attuali non siano ancora in grado di eguagliare l’efficienza energetica degli esseri umani, l’autore è ottimista sul fatto che i ricercatori continueranno a fare progressi e che inizieremo a vedere molti più robot pigri che svolgono meglio il loro lavoro. Ma non succederà da un giorno all’altro. “Aumentare la consapevolezza e la comprensione dei nostri robot in modo che possano svolgere meglio i loro compiti, che si tratti di calcio o di qualsiasi altro compito in qualsiasi ambito in ambienti costruiti dall’uomo, è un continuo lavoro in corso”, afferma.
