:quality(70)/cloudfront-us-east-1.images.arcpublishing.com/metroworldnews/7XAIEW7J2VEWLGAI26SV5Z3YPM.jpg)
MADRID, 15 (Portaltic/EP)
El fabricante tecnológico ha colaborado con el Computer Vision Center de España, Kujiale (China) y la Universidad Técnica de Múnich (Alemania) para desarrollar esta solución, que recibe el nombre de Simulator for Photorealistic Emobodied AI Research (SPEAR).
Recomendados
:quality(70):focal(255x70:265x80)/cloudfront-us-east-1.images.arcpublishing.com/metroworldnews/QAVJO5W7ENE5RGZWEHWSRRG4LA.png)
SPEAR es un simulador fotorrealista que se puede descargar bajo una licencia MIT de código abierto y personalizar en cualquier 'hardware', que se aplica en una gama de tareas domésticas de navegación y manipulación, según ha indicado la compañía en una nota de prensa remitida a Europa Press.
Intel Labs ha indicado que SPEAR pretende impulsar la investigación y las aplicaciones comerciales en robótica doméstica y fabricación, incluidos los escenarios en los que interactúan los humanos con los robots y las aplicaciones de gemelos digitales.
Para crear esta solución, la compañía ha colaborado con artistas profesionales para construir una colección de entornos interactivos artesanales de alta calidad. Así, ha logrado integrar una colección de 300 alternativas de entornos virtuales interiores, con más de 2.500 salas y 17.000 objetos que se pueden manipular de forma individual y que pueden estar en un entorno desordenado, que sirve como estado inicial para las tareas de limpieza del dispositivo.
Estos entornos, además, utilizan materiales fotorrealistas, iluminación precisa y geometría detallada para que SPEAR pueda funcionar en condiciones óptimas. Debido a que ofrece entornos más amplios, diversos y realistas, SPEAR ayuda en todo el ciclo de desarrollo de los sistemas de IA incorporada y permite entrenar a agentes para que operen en el mundo real, incluso directamente desde la simulación.
En relación a la visión general de SPEAR, Intel ha indicado que este se ha desarrollado en función de tres requisitos principales. En primer lugar, esta solución debe ser capaz de soportar una colección de entornos lo más amplia, diversa y de alta calidad posible.
Asimismo, el simulador debe proporcionar suficiente realismo físico para soportar interacciones realistas con una amplia gama de objetos domésticos. Finalmente, se busca que pueda ofrecer tanto fotorrealismo como sea posible, siempre que mantenga al mismo tiempo suficiente velocidad de renderizado para soportar el entrenamiento de comportamientos complejos de agentes incorporados.
Para cumplir con estos requisitos, esta solución de simulación se ha implementado sobre Unreal Engine y proporciona una interfaz OpenAI Gym para interactuar con los entornos a través de Python.
AGENTES INCORPORADOS Y TAREAS QUE SOPORTA
Actualmente, SPEAR se puede adaptar a cuatro plataformas o agentes incorporados. El primero de ellos es OpenBot, que proporciona observaciones de imágenes idénticas a als de un OpenBot del mundo real. Además, implementa una interfaz de control idéntica y se ha modelado con geometría y parámetros físicos precisos.
Este agente, según Intel Labs, es idóneo para experimentos de simulación, al contrario que Fetch y LoCoBot, indicados para tareas de reordenación. Estos, en cambio, se han modelado con una pinza físicamente realista para coger objetos y moverlos. Finalmente, el agente Cámara se puede teletransportar a cualquier lugar, de modo que tiene la capacidad para recoger conjuntos de datos estáticos.
Por defecto, los tres agentes devuelven observaciones fotorrealistas de los sensores de las cámaras en primera persona, además de estados de los codificacodores de las ruedas de los robots y de las articulaciones --en el caso de la pinza, si la llevase--.
Estos agentes, además, pueden revelar información como secuencias de 'waypoints' que representen el camino más corto hacia la ubicación de un objetivo. Asimismo, pueden compartir observaciones de GPS y brújula que apunten directamente al objetivo, de modo que puedan resultar útiles a la hora de definir tareas de navegación.
El fabricante tecnológico también ha señalado que SPEAR soporta actualmente dos tareas diferentes, siendo una de ellas Point-Goal Navigation Task, que selecciona aleatoriamente una posición de meta en el espacio alcanzable del entorno.
Asimismo, calcula una recompensa en función de la distancia del agente a la meta y activa el final de un episodio cuando el agente choca con un obstáculo o con la meta. Freeform Task, por otra parte, es una tarea de marcador de posición vacía que sirve para recopilar conjuntos de datos estáticos.
