Optimización bayesiana multisolución para la exploración eficiente de agarres robóticos

El uso de brazos robóticos con agarre de tipo mano permite automatizar tareas previamente realizadas por humanos, minimizando la necesidad de acondicionar el entorno al brazo robótico. Esto es debido a la destreza y capacidad de manipulación que otorgan este tipo de agarres. Su aplicación es evidente: desde permitir un mayor grado de automatización en procesos industriales a incrementar la capacidad motriz de personas con discapacidades mediante sistemas asistenciales. No obstante, estas aplicaciones requieren con frecuencia manipular objetos previamente desconocidos, lo que en la práctica conlleva un sobre-coste elevado para reconfigurar y reprogramar el agarre del robot al nuevo objeto. A pesar de la existencia de simuladores que nos permite de manera eficiente evaluar y verificar que la configuración es válida para el agarre, automatizar la identificación del agarre sigue siendo un aspecto desafiante de la robótica. Por otro lado, en función de la tarea a realizar es posible que el agarre óptimo pueda impedir la manipulación, es por tanto necesario que el sistema sea multisolución, es decir, sea capaz de encontrar múltiples agarres alternativos lo suficientemente viables. En este trabajo se abordará la identificación automática de múltiples agarres para un objeto previamente desconocido mediante el uso de aprendizaje automático. Para ello, se evaluará en un simulador robótico una aproximación de prueba y error basada en la optimización bayesiana multisolución, la variante multisolución de un método de optimización global de caja negra.