BionicSoftHand – La mano neumática robotizada provista de inteligencia artificial

La mano BionicSoftHand copia al ser humano. Gracias a su inteligencia artificial, aprende paso a paso a sujetar objetos y a moverlos. Junto con el brazo BionicSoftArm surgen nuevas posibilidades para la ejecución de movimientos coordinados en un espacio de trabajo que se utilizará en el futuro. Para que los movimientos se ejecuten de la manera más natural posible, se han instalado en un lugar de dimensiones muy reducidas válvulas, sensores, unidades electrónicas y componentes mecánicos.

Trabajar de la mano

Trabajar de la manoT ranscurrieron unos 400 millo-

nes de años hasta que la aleta evolucionó para transformarse en la mano. En la actualidad

empleamos nuestras manos con toda naturalidad para ejecutar movimientos muy diversos, y al mismo tiempo utili-zamos los dedos casi sin pensarlo. Es asombroso qué un pianista virtuoso es capaz de pulsar las teclas a una ve-locidad de hasta 24 veces por segundo. Ello es posible gracias al talento, a prácticas constantes y, por supuesto, a la ingeniosa forma de los dedos, que les confiere su extraordinaria movili-dad. Al sujetar algún objeto, el pulgar es decisivo debido a que se encuentra en una posición opuesta a la de los de-más dedos. Lo mismo sucede en el caso de la mano biónica neumática robotiza-da. Esta mano fue concebida para fun-cionar de manera coordinada con otros componentes en espacios de trabajo específicos, por ejemplo, con el brazo modular neumático robotizado ligero BionicSoftArm o con el BionicCobot. La mano BionicSoftHand no se programa fijamente para la ejecución de tareas específicas, como se hace en el caso de las pinzas robotizadas convencionales. La BionicSoftHand es capaz de aprender. Al igual que un bebé aprende desde muy tierna edad a sujetar correctamente un objeto y a moverlo, la mano biónica logra hacer lo mismo, pero gracias a su inteligencia artificial es capaz de apren-der a hacerlo en una fracción del tiem-po que necesita un bebé. Recurriendo a gemelos digitales que entrenan en

mundos virtuales paralelos, la mano consi-gue aprender a girar un objeto (en este caso un dodecaedro) de tal manera que quede orientado hacia arriba un lado previamente definido.

Fuelles flexibles en vez de huesosLa mano biónica BionicSoftHand controla los movimientos mediante las estructuras neumáticas de sus dedos. Dichas estruc-turas están compuestas de fuelles elásti-cos de goma provistos de cámaras de aire y de piezas de material suave. Por lo tanto, la mano es ligera, cede a la presión y es sensible. A pesar de estas cualidades, es capaz de aplicar fuerzas considerables. El reto consistió en reducir al máximo la presencia de tubos flexibles, y los exper-tos encargados del desarrollo de la mano lo solucionaron recurriendo a un terminal de válvulas muy pequeño de control digi-tal, montado en la parte correspondiente a la articulación que une al antebrazo con la mano. De esta manera no fue necesario tender a través de todo el brazo robotizado los tubos flexibles necesarios para contro-lar la mano. La mano BionicSoftHand se conecta y controla mediante un solo tubo

flexible para la alimentación de aire y otro para el escape de aire.

Cobertura textil determina la movilidadLos dedos de la mano biónica BionicSoft-Hand se mueven mediante un fuelle de robusto elastómero. Aplicando presión, sus dos cámaras ceden elásticamente. Si las dos cámaras están completamente vacías, los dedos se mantienen extendidos. Si se llenan de aire, los dedos se con-traen. Para ejecutar los movimientos de extensión y contracción, la parte exterior de los dedos es dilatable, mientras que la parte interior tiene una cinta tirante que limita la extensión longitudinal. Una cober-tura textil de estructura tridimensional, compuesta por hilos altamente resisten-tes, envuelve los fuelles de elastómero. Dependiendo de la configuración, se de-termina en qué lugares puede dilatarse la estructura. Sobre el tejido se encuentran placas de circuitos impresos de formas serpenteadas, sobre los que están monta-dos los sensores de fuerzas de inercia y táctil. Estas placas sumamente delgadas son flexibles, por lo que no limitan la mo-vilidad de los dedos.

«Siendo un sistema capaz de aprender, la mano BionicSoftHand es una pinza universal inteligente que se asemeja mucho a su modelo de referencia, la mano del ser humano». Karoline von Häfen, directora de Corporate Bionic Projects, Festo

1.2020 trends in automationBrújula 12 – 13

BionicSoftHand Alto grado de integración de componentes en el robot blando

Coordinación inteligenteLa mano BionicSoftHand controla sus movimientos mediante

fuelles neumáticos de elastómero, montados en los dedos.

Si las cámaras se llenan de aire, los dedos se doblan, mientras

que cuando se extrae el aire, los dedos permanecen rectos.

El pulgar y el índice pueden ejecutar movimientos laterales

gracias a módulos giratorios. La mano biónica robotizada

posee doce grados de libertad de movimiento.

Dos módulos giratorios neumáticosEn cada caso con un grado

de libertad adicional para

movimientos laterales

Terminal de válvulas compactoCon 24 válvulas proporcionales piezo-

eléctricas para aplicar y evacuar aire

de manera precisa en los dedos y para

controlar los módulos giratorios

Tres sensores táctiles de fuerzaPara la medición de fuerzas

y la detección de diversos

objetos que deben sujetarse

Fuelle de elastómeroCon dos cámaras de aire

para la ejecución de los

movimientos del dedo

Placa flexible de circuitos impresos De formas serpenteadas y

sensores de referencia inercial

y de fuerza integrados

Sensor de referencia inercialPunto de referencia para los

sensores montados en los dedos

con el fin de detectar posiciones

Placa basePara controlar la mano

Placa de guiado de aire con sensores de presión integradosConexión entre las válvulas

y los tubos flexibles tendidos

en los dedos

Dos sensores de referencia inercial Para captar la posición y

orientación del dedo

Tejido tridimensionalTejido compuesto por fibras

elásticas altamente resistentes

Piel elástica de siliconaPara mejorar el sentido del tacto

y para proteger los sensores

1.2020 trends in automationBrújula 14 – 15

Amplio espectro de aplicaciones: el brazo BionicSoftArm con el dedo flexible adaptable DHAS.

Versión máxima: el brazo BionicSoftArm con siete actuadores y otros tantos grados de libertad de movimiento.

De la mano del ser humanoSi la mano BionicSoftHand se combina con un robot neumático ligero como el brazo BionicSoftArm, se puede producir una interacción directa y fiable entre el hombre y el robot. El brazo BionicSoftArm es una versión perfeccionada del Bionic-MotionRobot. Gracias a su estructura modular compuesta por varios fuelles neumáticos segmentados y actuadores giratorios, es capaz de ejecutar movi-mientos libres y variados. Dependiendo de la tarea que debe resolverse, puede modificarse la longitud del brazo Bionic-SoftArm mediante un total de hasta siete actuadores neumáticos. De este modo resulta sencillo obtener aplicaciones que serían complicadas para un robot están-dar. El brazo BionicSoftArm es sumamen-te ágil ejecutando movimientos en espa-cios muy reducidos.

Movimientos fluidosTal como sucede con sus dos anteceso-res, es decir, el asistente biónico de mani-pulación y el BionicMotionRobot, también los movimientos y las funciones del brazo BionicSoftArm están inspirados en la trom-pa del elefante. El brazo BionicSoftArm es capaz de ejecutar con facilidad los fluidos movimientos de su referente natural gracias a su estructura de fuelles neumáticos. De-pendiendo de la acción prevista, los fuelles pueden doblarse o tornarse rígidos indis-tintamente. Ello es posible gracias a la cobertura de un tejido tridimensional, que permite que los fuelles se extiendan en el sentido necesario. Dependiendo de las características de las pinzas que tiene, por ejemplo, la mano BionicSoftHand, el bra-zo modular robotizado puede emplearse para aplicaciones muy diversas. Gracias a su cinemática flexible, el brazo BionicSoft­Arm puede interactuar directamente y de manera fiable con el ser humano.

Más informaciones e imágenes animadas enwww.festo.com/bionic

Aprender en función de metasLa mano BionicSoftHand aprende a suje-tar y girar objetos mediante aprendizaje por refuerzo (en inglés, Reinforcement Learning). En vez de proponerle a la mano biónica un movimiento concreto que debe copiar, se define una meta que debe alcanzar. Y la mano lo intenta probando, cometiendo errores y corrigiéndolos (método de prueba y error, trial and error en inglés). Según las informaciones que obtiene, la mano va optimizando poco a poco sus movimientos, hasta que es capaz de ejecutar correctamente la tarea.

Dionysios Satikidis Entrevista

se expresa sobre métodos de aprendizaje con IA

La inteligencia artificial de la mano BionicSoftHand se distingue por el aprendizaje por refuerzo y el aprendizaje simultáneo masificado: el aprendizaje por refuerzo acentúa la repetición de la ejecución de pruebas y premia los buenos resultados. Mediante un análisis de las pruebas exitosas y los fraca-sos, la inteligencia artificial puede clasificar sus acciones y aprender de los resultados. El aprendizaje simultáneo masificado consigue acelerar el proceso de adiestramiento. Los modelos digitales de simulación (también llamados «gemelos digitales») permiten que el proceso de aprendizaje sea mucho más rápido. Los conocimientos adquiridos se comparten con numerosas manos biónicas que, a partir de entonces, siguen funcionando con el nuevo nivel de conocimientos. De esta manera, cualquier error se comete una sola vez. Los datos correspondientes a los movimientos ejecutados con éxito están disponibles inmediatamente para que todos los modelos conectados online los aprove-chen. Una vez concluido el entrenamiento virtual de la unidad de control, se transmiten todos los resultados útiles a la mano biónica real BionicSoftHand.

Entrenamiento virtual, aplicación real

Aprendizaje simultáneo masificado: aprendizaje acelerado mediante multiplicación de gemelo digital.

Gemelos digitales: la mano biónica robotizada real (izquierda) y su imagen virtual en el modelo de simulación.

Vista artificial: Computer Vision para recopilar los datos necesarios con el fin de obtener una imagen virtual.

1.2020 trends in automationBrújula 16 – 17

Entrevista

La inteligencia artificial (IA) ya es parte de nuestra vida privada y laboral. Si bien es cierto que hasta ahora se suele manifestar a través de sistemas sencillos, eso cambiará pronto. Dionysios Satikidis, experto de Festo en materia de IA y sistemas autónomos, explica los diversos métodos de aprendi -zaje existentes y revela cómo la IA es cada vez más capaz de aprender de modo inde-pendiente.

trends in automation: La inteligencia artificial es, en principio, un software. ¿Cómo se diferencia del instalado en nuestro orde-nador o en sistemas industriales automatizados?

Dionysios Satikidis: Recurramos, por ejemplo, a la escritura. En software convencional de programación manual, el número nue-ve podría definirse como un círculo al que se agrega verticalmen-te una línea recta en la parte inferior derecha. Entonces se me-morizan en el programa de reconocimiento de letras y números las características que son inconfundibles. Si alguien escribe el número nueve de manera diferente que la mayoría, surgen pro-blemas. Si deseo que una máquina reconozca, de ser posible, to-das las variantes de un número, tengo que redactar un programa que sea capaz de aprender detectando datos escritos a mano, es decir, necesito inteligencia artificial.

La definición de comandos se transforma en atribución de autorizaciones. ¿Podría definirse de esta manera la transición de la programación a la IA?

Satikidis: Sí, exactamente. La finalidad es que la máquina no solamente obedezca órdenes, sino que sea capaz de aprender recurriendo a los datos. La capacidad de entender patrones y regularidades contenidos en los datos es lo que llamamos Machine Learning, es decir, aprendizaje automático. En la ac-tualidad, esta es la forma sencilla más difundida de inteligencia artificial. Sin embargo, si quiero que una máquina sea capaz de aprender por sí misma diversas características recurriendo a los datos disponibles, debo conseguir que pueda mejorar sus aptitudes sin que intervenga un ser humano. Eso se llama Deep Learning (aprendizaje profundo). En este modo de aprendizaje el software mismo decide qué características elegir para recono-cer un patrón. Este proceso viene a ser una especie de gestor de ventanas (Blackbox en inglés).

¿Son muy lentos estos procesos de captación de datos? ¿Hay formas de acelerarlos?

«Hablando metafóricamente, la inteligencia artificial es una máquina del tiempo...»Dionysios Satikidis, Digital Strategy and Business Model, Festo

Satikidis: Para obtener resultados fiables, la IA necesita una cantidad enorme de datos. Pueden ser diez mil, cien mil o, mejor aún, un millón de conjuntos de datos. En el caso del Deep Lear-ning, esto puede constituir un problema, especialmente consi-derando el tiempo, ya que un ser humano tiene que preparar los datos. En el ámbito de la fabricación automatizada mediante máquinas, recurriendo a los ciclos reales de funcionamiento nunca se obtiene una cantidad de datos suficiente como para crear los patrones relevantes para la IA. Sin embargo, existe una solución: el Reinforcement Learning o aprendizaje por refuerzo. En esta modalidad, la IA elabora por sí misma una estrategia de confirmación y premiación. Si de esta manera se simula virtual-mente una gran cantidad de inteligencias artificiales, es posible acelerar rápidamente los procesos de aprendizaje. Así se crean miles de escenarios en el ciberespacio para ampliarlos o descar-tarlos. Únicamente efectuando una gran cantidad de pruebas virtuales utilizando las posibilidades disponibles, se logra apro-vechar idóneamente las ventajas del aprendizaje por refuerzo.

¿Cómo se utilizó el aprendizaje por refuerzo durante el desarrollo de la mano BionicSoftHand?

Satikidis: Al desarrollar la mano BionicSoftHand nos enfrenta-mos en Festo al reto de acumular una cantidad suficiente de da-tos durante un tiempo razonable. Trabajando paralelamente con el método de aprendizaje por refuerzo pudimos obtener muchos datos en poco tiempo, por lo que la mano biónica logró apren-der ella misma cómo manipular un objeto que consta de doce superficies planas. Si hubiésemos intentado programar la mano BionicSoftHand de manera convencional, el proyecto hubiera adquirido proporciones enormes, y nosotros no hubiéramos sido capaces de considerar todas las variantes posibles. En vez de ello, creamos una simulación en forma de un videojuego de alto rendimiento, en el que la tarea consiste en que la mano manipu-le un objeto. La IA recibe la orden de girar el dodecaedro hasta que una determinada superficie se encuentre en la parte supe-rior. Sin embargo, no le indicamos a la IA cómo hacerlo. Ella mis-ma es capaz de resolver el problema probando y cometiendo

errores que va corrigiendo. En este experimento, un genera-dor de resultados aleatorios asume un papel decisivo, por lo que la IA puede funcionar considerando un gran número de escenarios diferentes.

En comparación con el aprendizaje automático, eso ya es un gran progreso. ¿Qué podrán hacer en el futuro los sistemas de IA?

Satikidis: Con la mano BionicSoftHand hemos dado un paso importante. Pero hay una cosa que la IA aún no ha podido aprender: no sabe abstraer. Ahora es capaz de manipular un objeto concreto, pero todavía no ha entendido cómo podrían manipularse otros objetos. Sin embargo, esa facultad aún no es indispensable. La situación es similar en el caso del ser humano. Si hacemos una misma cosa reiteradamente, enten-demos el principio y aprendemos a abstraerlo. De esta mane-ra, cuando nos enfrentamos a situaciones similares, encon-tramos una forma apropiada para solucionar la tarea. Si la IA es capaz de hacerlo, eso se llama Transfer Learning o apren-dizaje por transferencia. Entonces una máquina es capaz de aprovechar los conocimientos adquiridos con el fin de solu-cionar problemas similares. Es el siguiente gran paso que dará la inteligencia artificial. Al mismo tiempo ha surgido el concepto del Meta Learning, es decir, meta-aprendizaje o aprender a aprender. En este caso, la IA aprende qué configu-ración es la mejor para entender cómo se puede solucionar un problema determinado. Y acumulando experiencia, el me-ta-aprendizaje permite reducir drásticamente los procesos de aprendizaje. Concretamente, así es posible ejecutar un proce-so de aprendizaje en apenas un segundo, mientras que con aprendizaje automático o con aprendizaje profundo se nece-sitaría posiblemente un año entero. Hablando metafórica-mente, la inteligencia artificial es una máquina del tiempo, que va procesando cada vez más datos a mayor velocidad, con el fin de sacar conclusiones para aprender de ellas.

1.2020 trends in automationBrújula 18 – 19