Dijo que el proyecto comenzó de una estancia de ingeniería en Escocia.

Sostuvo que en la facultad se trabaja en robótica sub acuática e inteligencia artificial y trabajan ahora en control en vehículos submarinos.

Dijo que sacaron esas técnicas para que funcionen en robot reales.

Muchos de estos trabajos quedan en simulaciones y videojuegos y no se termina aplicando en un robot, y a medida que pasa el tiempo el robot aprende a hacer las tareas que uno busca que realice, agregó entusiasta.

Hay muchas formas de trabajo de robot submarinos en el ejercito por ejemplo para búsquedas, en la industria petrolera también se utiliza mucho.

Permite llegar a lugares donde una persona no puede llegar con gran autonomía y alcanzar mucha profundidad.

Una vez en superficie se puede descargar toda la información que recauda.

En la búsqueda del Ara San Juan por ejemplo se usaron robot similares que son totalmente autónomos.

Estos robots son independientes, se adaptan al medio y pueden realizar sus funciones.

Dijo que los robots son muy costosos y les cuesta mucho lograr el financiamiento para armarlo.

El financiamiento es de fondos nacionales, la universidad y distintos convenios.

Están basados en algoritmos de videojuegos, ingenieros del CONICET junto a investigadores escoceses logran mayor independencia para los robots en contextos no simulados.

Los mayores avances en Inteligencia Artificial (IA) suelen darse en los videojuegos, en el plano virtual. Los programas demuestran que son inteligentes a medida que logran sortear obstáculos y cumplir objetivos en un entorno simulado, creado especialmente para ellos. Ahora, ingenieros argentinos junto a escoceses lograron desarrollar un algoritmo para que los robots hagan todo eso en el mundo real.

La técnica que utilizan es el Deep Learning que en 2017 deslumbró al mundo de la tecnología cuando Google la utilizó para desarrollar el AplhaGo, un programa que logró ganarle 4 partidas de 5 al mayor campeón mundial de Go, un juego de estrategia milenario de origen chino.

Un hito mayor que el de la derrota del ajedrecista Garry Kasparov contra la 'supercomputadora' de IBM, Deep Blue, en 1997. Tanto, que el Go tiene 200 posibles configuraciones más que el ajedrez.

El reciente desarrollo de la ingeniería supera en ese sentido al Deep Blue y al juego chino porque prepara a los robots para resolver infinitas situaciones reales. “Nosotros tomamos los algoritmos de Deep Mind -la empresa de Google que desarrolló el AlphaGo- y los usamos para robótica real.

Entonces nos enfrentamos a otro tipo de problemas porque ellos tienen un simulador y las recompensas las obtienen directamente del simulador. Son ambientes muy limpios donde no hay ruidos y se puede prever todo lo que ocurre.

Es como pasar de un laboratorio a la realidad”, compara el ingeniero electromecánico e investigador del CONICET Ignacio Carlucho, quien

justamente en 2017 (el año del furor del Deep Learning) pasó seis meses en el Laboratorio de Ingeniería Oceánica de la Universidad de Heriot-Watt, Escocia, para lograr este avance dentro del grupo de Investigación Tecnológica en Electricidad y Mecatrónica (INTELYMEC) de la Facultad de Ingeniería de Olavarría de la Universidad Nacional del Centro de la Provincia de Buenos Aires.

El logro se alcanzó en el área de la ingeniería subacuática donde se utilizan vehículos de operación autónoma (AUV por sus siglas en inglés) para todo tipo de exploraciones. “En Ingeniería hay muy poco sobre esto, sobre todo en el área oceánica.

Todo lo que está hecho es en simulación, pero en escenarios reales y en el agua, no había nada así que decidimos llevarlo a la robótica a ver qué podíamos hacer”, explica el Doctor en Ingeniería Mariano De Paula, investigador de CONICET en Intelymec.

El sistema, real o virtual, aprende del error y los 'premios' son números. Los valores se asignan en función de los comportamientos que se espera que tenga. Si logra alcanzar las velocidades pretendidas, la recompensa es +1, pero si además lo hace optimizando la energía suma +2. Por el contrario, si gasta más energía de la necesaria y no alcanza las velocidades, se lo penaliza con -2.

Estos parámetros los define el usuario en función de los objetivos que desea que alcance. En escenarios simulados, todos los obstáculos y los niveles de recompensa están premeditados por los programadores, pero en la realidad subacuática la incertidumbre lo complica todo. Corrientes, mareas, suelos inestables, salinidad, turbidez. No hay entrenamiento previo que permita prever todo lo que puede ocurrir ese día, en ese minuto, en ese lugar.

El trabajo, en el que intervinieron también los investigadores escoceses Yvan Petillot y Sen Wang, se publicó este mes en la revista científica especializada Robotics and Autonomus Systems de la prestigiosa editorial Elsevier.