L’apprendimento automatico è sempre stato un componente centrale della robotica. Tuttavia, il recente boom dell’intelligenza artificiale ha cambiato anche i robot. I loro cervelli vengono ora addestrati in modo rapido ed efficiente con simulazioni nel cloud
Mani - mani ovunque! Il Soft Robotics Lab sembra alternativamente una camera degli orrori, un asilo nido o un’officina high-tech. Ci sono dita scheletriche e filiformi esposte in vetrine o attaccate a robusti bracci robotici. Polipi di peluche colorati, cubi di gommapiuma e altri giocattoli giacciono su tavoli da laboratorio: oggetti per allenare la destrezza robotica. Accanto a loro c’è una serie di dispositivi di misurazione, cavi e sensori. Diciannove robotici, informatici, chimici e biologi lavorano insieme su base interdisciplinare. Il laboratorio è diretto da Robert Katzschmann, professore di robotica presso il Dipartimento di ingegneria meccanica e di processo del Politecnico di Zurigo.
Nello sviluppo di nuovi robot si ispira agli animali e al corpo umano. Nell’ultima generazione di mani robotiche, ad esempio, le dita non sono più controllate da motori nelle articolazioni, ma solo da tendini artificiali che muovono le dita attraverso le cosiddette articolazioni rotanti. I robot dovrebbero diventare morbidi, abili ed elastici. Lontani da metalli, viti e motori, si dirigono verso corpi ibridi fatti di materiali solidi e morbidi, in grado di svolgere una varietà di compiti e di adattarsi a nuovi ambienti.
Questo testo è stato pubblicato nel numero 25/04 della rivista Globe dell’ETH.
Leggi il numero completo
Mani adattive
Katzschmann utilizza a questo scopo anche le possibilità dell’intelligenza artificiale (AI), anche se il robotico preferisce usare il termine "apprendimento automatico", poiché non è ancora possibile parlare di un’intelligenza che abbia vita propria. "Un tempo risolvevamo i problemi della robotica con le semplificazioni, la modellazione fisica e la tecnologia di controllo, ma oggi usiamo soprattutto l’apprendimento automatico" L’apprendimento automatico ha ormai trovato spazio praticamente in tutte le aree della robotica: dalla progettazione di robot utilizzando la modellazione generativa in simulazioni 3D all’apprendimento di abilità basate su dati video e al controllo del movimento con algoritmi. "Circa la metà del mio gruppo lavora attivamente con i metodi di apprendimento automatico e li sviluppa ulteriormente", afferma Katzschmann.
I metodi convenzionali, come la tecnologia di controllo, sono adatti a processi strutturati, come i flussi di lavoro controllati nelle fabbriche che si ripetono migliaia di volte. Tuttavia, non sono adatti agli ambienti caotici e alle attività non strutturate. Katzschmann fa un esempio: lo smistamento di bottiglie di vetro diverse in casse è ancora una sfida importante per le mani robotiche, perché le bottiglie hanno dimensioni e forme diverse. Il suo gruppo ha sviluppato mani robotiche con 21 gradi di libertà, controllate mediante apprendimento per rinforzo e imitazione. Insieme ai bracci robotici, le mani raggiungono addirittura 28 gradi di libertà. Per insegnare al robot ad afferrare le bottiglie, i ricercatori utilizzano un guanto dotato di sensori di movimento e una telecamera che viene ripresa da telecamere esterne. Opzionalmente, possono essere incluse anche registrazioni da occhiali per la realtà virtuale. Utilizzano questo ricco set di dati per addestrare un cosiddetto modello trasformatore, che funziona in modo simile a un grande modello linguistico, cioè il modello su cui si basa l’intelligenza artificiale. Grazie al modello addestrato, la mano robotica è in grado di afferrare correttamente oggetti sconosciuti e di spostarli nella posizione prevista. "Con i metodi tradizionali, avremmo dovuto creare un modello 3D a nuvola di punti dell’ambiente e programmare ogni singola posizione delle dita per afferrare una bottiglia", spiega Katzschmann. "E non appena le bottiglie o le casse si spostavano leggermente, la mano robotica non sapeva più cosa fare" Oggi le cose sono molto diverse: "La presa viene completamente appresa, rendendo la mano molto adattabile" Sulla base di questa ricerca, nel 2024 ha fondato lo spin-off Mimic Robotics dell’ETH insieme a quattro ex studenti di dottorato e di master. La giovane azienda mira a cambiare radicalmente il mondo della produzione e della logistica con mani robotiche controllate dall’intelligenza artificiale.
Apprendimento nel cloud
Stelian Coros è un informatico e sviluppa algoritmi per la robotica, il visual computing e la produzione assistita da computer. Si occupa principalmente del software, cioè del cervello dei robot. I progressi nel deep learning, una forma di apprendimento automatico che lavora con le reti neurali artificiali, hanno fortemente influenzato la sua ricerca nell’ultimo decennio. "Oggi sono disponibili dati e potenza di calcolo sufficienti per poter utilizzare il deep learning nella robotica per applicazioni specifiche, ad esempio per il riconoscimento automatico di oggetti nelle immagini"
Le reti neurali sono anche alla base di un’altra forma di apprendimento automatico: l’apprendimento per rinforzo. In questo caso, i ricercatori fanno provare ai robot alcune cose, ad esempio determinate sequenze di movimenti. Poi assegnano dei punti a seconda di quanto il robot si sia spostato in avanti, ad esempio, o di quanto sia stato vicino a cadere. Cercando di ottenere un buon punteggio, il robot migliora continuamente. "In pratica, si tratta di un apprendimento per tentativi ed errori, simile a come si impara a giocare a tennis", spiega Coros. "Non è sufficiente che i robot guardino i video di YouTube che mostrano come gli esseri umani fanno certe cose. I robot devono farlo da soli" Per questo il suo team genera molti dati con la teleoperazione. Si tratta di trasferire i movimenti di una persona a un robot. Per registrare i movimenti umani, Coros lavora anche con tecnologie spesso utilizzate per i film d’animazione. Con questi dati e gli algoritmi appropriati, i robot possono poi riprodurre i movimenti in base alla situazione e muoversi in modo simile all’uomo. Per Coros, quest’ultimo è il prerequisito affinché gli esseri umani possano interagire strettamente con i robot in futuro.
Addestramento allo stesso tempo
Anche i ricercatori della cattedra di sistemi robotici di Marco Hutter lavorano con l’apprendimento per rinforzo. Utilizzano principalmente simulazioni in ambienti virtuali. "Oggi addestriamo migliaia di robot simultaneamente in simulazioni", spiega Cesar Cadena, scienziato senior del laboratorio di sistemi robotici di Hutter. "In un’ora generiamo tanti dati quanti ne producevamo in un anno" Simulazioni di questo tipo hanno reso possibili enormi progressi nello sviluppo di microchip e processori grafici. I processori paralleli possono eseguire migliaia di operazioni contemporaneamente e sono fondamentali per le applicazioni di intelligenza artificiale. Il Robotics Systems Lab sta quindi collaborando direttamente con Nvidia, uno dei maggiori sviluppatori al mondo di processori grafici e chipset. Due tesi di dottorato sono già state scritte in collaborazione diretta con l’azienda californiana.
L’apprendimento virtuale per rinforzo viene effettuato nel cloud e richiede capacità di calcolo molto elevate. In modalità di apprendimento continuo, si pone inevitabilmente la questione dell’autonomia. Un robot di fabbrica può essere facilmente collegato in modo permanente a un cloud per eseguire al meglio fasi di lavoro complesse. Ma che dire di un robot di salvataggio alla ricerca di sopravvissuti in un’area disastrata remota? In luoghi dove non c’è connessione di rete e i robot devono prendere decisioni rapide? In questi casi, i ricercatori devono trasferire al robot parte della potenza di calcolo necessaria, compresi i dati precedentemente generati nel cloud. "In questo modo perdiamo capacità di calcolo, ma di solito è ancora sufficiente per compiti ben definiti", spiega Cadena.
Obiettivo: robot versatili
L’attuale boom dell’intelligenza artificiale rivoluzionerà la robotica o si tratterà piuttosto di un’evoluzione? Secondo Coros, si tratta di un’evoluzione. "Il tipo di dati utili per l’IA e per i robot è fondamentalmente diverso" Ciò è dovuto principalmente al fatto che i robot hanno un corpo e imparano con esso. Questo è l’unico modo per generalizzare le sequenze di movimento. Questo garantisce che i robot possano funzionare in ambienti diversi. L’intelligenza artificiale, invece, crea la generalizzabilità attraverso un flusso infinito di dati, principalmente testi, ma anche immagini e video. Ancora oggi, alcune parti della comunità robotica cercano di fare lo stesso per migliorare i propri robot. Raccolgono terabyte su terabyte di dati da sequenze di movimenti umani e li usano per addestrare i loro robot. "Ma questo non è scalabile", dice Coros. Fa un esempio: ci sono gruppi che hanno sviluppato robot che piegano le camicie. Sono necessarie circa 10.000 ore di dimostrazioni perché un robot sia in grado di farlo, e anche in questo caso commette ancora degli errori. "Se ogni singola abilità richiede così tanti dati, questo concetto non è semplicemente scalabile"
Il suo gruppo sta quindi adottando un approccio diverso. Sebbene utilizzi anche i dati appresi, utilizza anche modelli fisici per colmare le lacune nei dati dimostrativi. Coros cita l’esempio di un braccio robotico che lancia una palla: "Capiamo come una palla si muove nell’aria e conosciamo le leggi fisiche che governano questo movimento" Il robot può usare queste leggi per regolare il suo lancio in modo che la palla atterri esattamente dove dovrebbe. "Non abbiamo bisogno di grandi quantità di dati per questo" nel 2023, Coros ed ex dottorandi hanno fondato lo spin-off Flink Robotics. Basandosi sull’elaborazione di immagini e modelli fisici controllati dall’intelligenza artificiale, l’obiettivo è rendere più intelligenti i bracci robotici standard dell’industria, in modo che possano imballare, scaricare e smistare i materiali con maggiore precisione. La Posta Svizzera, primo cliente dello spin-off, vuole utilizzare questa tecnologia per automatizzare la consegna dei pacchi.
I tendini al posto dei motori
Torniamo al Soft Robotics Lab, dove i biologi stanno sviluppando tessuti cellulari per tendini robotici e i chimici stanno dando vita a muscoli artificiali con impulsi elettrici. Robert Katzschmann è convinto che i sistemi robotici tradizionali controllati dai motori stiano raggiungendo i loro limiti in termini di generalizzabilità. Anche la migliore intelligenza artificiale non cambierà la situazione. "Questi sistemi non avranno l’adattabilità necessaria per affrontare tutte le situazioni del mondo reale" Per lui, il corpo è importante quanto il cervello. Per questo sta sviluppando robot muscoloscheletrici che si ispirano alla natura. "I muscoli forniscono la morbidezza e lo scheletro la capacità di carico di cui abbiamo bisogno per svolgere lavori fisici complessi", afferma Katzschmann. La natura è riuscita a costruire sistemi estremamente stabili e versatili senza motori e metalli. "Dovrebbe essere il nostro modello di riferimento"
