¿Por qué los robots industriales requieren equipos de ingenieros y miles de líneas de código para realizar incluso las tareas más básicas y repetitivas, mientras que las jirafas, los caballos y muchos otros animales pueden caminar a los pocos minutos de su nacimiento?

Mis colegas y yo en el Brain-Body Dynamics Lab de la USC comenzamos a abordar esta cuestión creando una extremidad robótica que aprendió a moverse, sin conocimiento previo de su propia estructura o entorno. En cuestión de minutos, G2P, nuestro algoritmo de Reinforcement Learning implementado en MATLAB®, aprendió a mover la extremidad para impulsar una cinta de correr (Figura).

Desafíos de control de extremidades impulsados por tendones.

La extremidad robótica tiene una arquitectura que se asemeja a la estructura muscular y tendinosa que impulsa el movimiento humano y vertebrado. Los tendones conectan los músculos a los huesos, haciendo posible que los motores biológicos (músculos) ejerzan fuerza sobre los huesos desde la distancia (la destreza de la mano humana se logra a través de un sistema impulsado por tendones; ¡no hay músculos en los dedos mismos!).

Si bien los tendones tienen ventajas mecánicas y estructurales, un robot accionado por tendones es significativamente más difícil de controlar que un robot tradicional, donde un simple controlador PID para controlar los ángulos de las articulaciones directamente a menudo es suficiente. En una extremidad robótica accionada por un tendón, varios motores pueden actuar en una sola articulación, lo que significa que un motor determinado puede actuar en múltiples articulaciones. Como resultado, el sistema es simultáneamente no lineal, sobredeterminado y subdeterminado, lo que aumenta en gran medida la complejidad del diseño de control y requiere un nuevo enfoque de diseño de control.

Acceda al artículo original.