Framework de Recuperación: Mejorando la Gestión de Tareas de Robots

Los robots están siendo cada vez más comunes en lugares donde interactúan con humanos. Sin embargo, a veces cometen errores al completar tareas. Detectar estos errores y averiguar cómo solucionarlos puede ser bastante difícil. Los métodos tradicionales suelen depender de tener muchos datos o reglas estrictas. Recientemente, algunos métodos más nuevos han comenzado a usar modelos de lenguaje grandes (LLMs) para verificar los pasos de las tareas y crear nuevos planes. Desafortunadamente, estos métodos a menudo no funcionan en tiempo real y pueden ser costosos.

Para abordar estos problemas, se ha desarrollado un nuevo sistema llamado Recover. Este sistema usa una combinación de conocimiento simbólico y LLMs para identificar fallas a medida que ocurren y decidir sobre los pasos de Recuperación de inmediato. Una parte clave de este sistema es una ontología que describe el entorno en el que opera el robot, permitiendo que el robot detecte problemas según la información que recopila en tiempo real.

#El desafío de las fallas en robots

Cuando un robot está haciendo un trabajo, no solo tiene que planear sus acciones, sino también reaccionar a los cambios en su entorno. Si algo sale mal, necesita averiguar qué pasó y cómo solucionarlo rápido. Esto es especialmente importante en entornos donde los robots trabajan junto a personas, ya que la fiabilidad y la seguridad son fundamentales.

La mayoría de los robots usan métodos basados en modelos o en políticas para tomar decisiones. Los enfoques basados en modelos a menudo requieren que el robot planifique según su conocimiento actual del entorno. Por otro lado, los métodos basados en políticas usan reglas para determinar acciones dependiendo del estado actual.

El sistema Recover combina ambos enfoques. Usa una ontología y reglas para darle al robot una imagen clara de su entorno. Esto ayuda al robot a tomar mejores decisiones, especialmente cuando no tiene suficientes datos de los que basarse.

#El sistema Recover

Recover es un marco que combina conocimiento simbólico con las capacidades de los modelos de lenguaje grandes para detectar y recuperarse de fallas durante la ejecución de tareas. Al usar una ontología, el robot puede entender mejor el entorno y aplicar reglas lógicas para analizar qué salió mal durante una acción.

Cuando el robot realiza una tarea, primero sigue una secuencia de pasos. Después de cada acción, verifica el entorno para ver si la acción fue exitosa o si encontró un problema. Si se identifica un problema, Recover usa la información en su ontología para averiguar una estrategia de recuperación.

#Cómo funciona Recover

El sistema Recover comienza con un plan de tarea y una ontología que describe el entorno. La ontología incluye detalles sobre todos los objetos, acciones y relaciones dentro de ese entorno. A medida que el robot ejecuta sus tareas, recopila datos sobre sonidos y visuales, que se traducen en un formato estructurado que el sistema puede entender.

Cuando ocurre una falla, Recover consulta la ontología para recuperar instrucciones sobre cómo volver a estar en camino. Luego se usa un LLM para crear un nuevo plan basado en la situación actual. Esto permite que el robot adapte su estrategia sin necesidad de comenzar la tarea desde cero, ahorrando tiempo y recursos.

#Ontologías en Recover

Una ontología es un marco estructurado que organiza información sobre un dominio específico, que en este caso es un entorno de cocina. El sistema Recover cuenta con una ontología llamada OntoThor, que incluye detalles como:

• Acciones: Descripciones de cómo el robot interactúa con objetos.
• Agentes: Información sobre humanos y robots presentes en el entorno, incluyendo sus preferencias.
• Objetos físicos: Clasificación de elementos de cocina como alimentos y utensilios, lo que ayuda al robot a entender sus roles.
• Propiedades físicas: Atributos de objetos como ser quebradizo o rellenable.
• Sonidos: Categorización de sonidos hechos durante acciones, como los sonidos de electrodomésticos.
• Relaciones espaciales: Definiciones de cómo están posicionados los objetos entre sí.
• Estado: La condición actual de los objetos en cualquier momento dado.
• Ubicación: Clasificación de diferentes áreas en la cocina.

Cada vez que el robot interactúa con un objeto, actualiza la ontología con detalles sobre ese objeto y cualquier evento resultante. Esto permite al robot llevar un registro completo de sus acciones y del entorno.

#Identificación de fallas

La ontología también ayuda a identificar varios tipos de fallas. Estos incluyen:

• Fallas de agente: Errores cometidos por el robot, como dejar caer un objeto.
• Fallas ambientales: Problemas relacionados con el entorno, como caminos bloqueados o objetos sucios.
• Fallas de Planificación: Errores que surgen por pasos faltantes o incorrectos en el plan de tarea.
• Violaciones de preferencias: Fallas que ocurren cuando no se siguen las restricciones o preferencias dietéticas de una persona.
• Fallas de seguridad: Situaciones que representan riesgos para los humanos, como vidrio roto que puede causar lesiones.

El marco se basa en un conjunto de reglas predefinidas para detectar fallas al comparar el resultado esperado de cada acción con lo que realmente ocurre.

#Pruebas del sistema Recover

Para evaluar qué tan bien funciona Recover, se probaron varias tareas en un entorno de cocina simulado. Se crearon un total de 12 tareas diferentes, cada una diseñada para desafiar al sistema de diferentes maneras. Las tareas se dividieron en categorías fáciles y complejas según el número de pasos requeridos para completarlas.

#Resultados de las pruebas

1. Tasa de éxito: La capacidad del verificador de subobjetivos basado en reglas para identificar fallas fue perfecta, logrando una tasa de detección del 100%.
2. Planes de recuperación: El módulo de replanteamiento basado en LLM generó con éxito nuevos planes en aproximadamente el 90% de los escenarios de falla probados, lo que significa que a menudo podía averiguar cómo solucionar el problema sin reiniciar la tarea.
3. Problemas de seguridad: El sistema también logró identificar correctamente fallas relacionadas con la seguridad en más del 90% de los casos.
4. Comparación con otros enfoques: En comparación con un método tradicional basado en LLM, Recover demostró un rendimiento significativamente mejor tanto en identificar como en corregir fallas, mostrando el valor de integrar conocimiento simbólico.

#Rentabilidad

Otra ventaja importante del sistema Recover es su rentabilidad. Los métodos tradicionales que dependen de datos extensos y planificación offline requieren más recursos, tanto computacionales como financieros. La rápida detección de fallas y la capacidad de crear planes de recuperación en tiempo real conducen a costos más bajos para la ejecución general de tareas.

#Direcciones futuras

El equipo detrás de Recover planea mejorar aún más el sistema al incluir situaciones más complejas que involucren interacción humana. Esto podría implicar estudiar cómo los robots pueden responder mejor a cambios cuando hay personas presentes, o cómo el conocimiento especializado puede mejorar las estrategias de recuperación.

Además, mejoras en cómo el sistema utiliza LLMs junto con ontologías podrían llevar a capacidades de razonamiento y planificación aún mejores. Mejores prompts y métodos de comunicación probablemente aumentarán el éxito y la adaptabilidad general de los robots en entornos dinámicos.

#Conclusión

El marco Recover marca un avance significativo en el campo de la robótica, especialmente en cómo los robots pueden manejar fallas durante las tareas. Al fusionar conocimiento simbólico con la flexibilidad de los modelos de lenguaje grandes, Recover trae un nuevo enfoque para la resolución de problemas en tiempo real en sistemas robóticos.

A medida que los robots se integren más en la vida diaria, la capacidad de detectar y recuperarse de fallas de manera eficiente será crucial para garantizar la seguridad y la fiabilidad. El desarrollo continuado de este sistema abre la puerta a aplicaciones aún más avanzadas en el futuro.