El entrenamiento robótico con tacto mejora el control con y sin tacto

Al manipular un objeto, las imágenes pueden no mostrar con claridad dónde lo está tocando la mano del robot ni si se está deslizando. ¿Puede el tacto ayudar al robot a aprender mejores representaciones visuales, de modo que la mejora persista cuando después actúe sin información táctil?

Spark-0 usa el tacto para guiar el aprendizaje visual durante el entrenamiento y para condicionar las acciones cuando está disponible; un mismo modelo permite implementarlo con tacto o sin él.

¿Puede el tacto enseñar a un robot a entender mejor las imágenes, incluso cuando después debe actuar sin información táctil?

Spark-0 usa mapas de contacto y características geométricas para guiar el aprendizaje visual durante el entrenamiento, mientras que una vía aparte puede transmitir el tacto en tiempo real al generador de acciones.

En Ego Humanoid, que evalúa la finalización de tareas en cuatro condiciones visuales y de duración, el modelo entrenado con 1,000 horas de datos táctiles obtuvo una tasa media de éxito del 71.72% sin tacto durante la evaluación, frente al 52.45% de la variante preentrenada solo con visión. El uso compartido de los datos RGB, el cómputo y el presupuesto de entrenamiento posterior aporta evidencia de una contribución del preentrenamiento táctil.

Las comparaciones abarcan tareas y configuraciones de entrenamiento específicas. El resultado de Ego Humanoid no establece por qué ayuda el tacto, y ninguna de las dos evaluaciones demuestra el rendimiento en tareas o robots distintos de los evaluados.