LiberAI ha presentado Liber-0, un modelo de acción del mundo diseñado para transferir a los robots la experiencia humana en manipulación. La startup, con sede en Pekín, afirma que el modelo se preentrenó con más de 2,2 millones de horas de experiencia humana, combinando vídeos, movimientos de manos registrados con guantes y aprendizaje que tiene en cuenta las diferencias entre los cuerpos humanos y robóticos.

LiberAI probó Liber-0 en 60 tareas propuestas por GPT-6, que abarcaban acciones de recoger y colocar, otras tareas de manipulación y actividades más complejas de varios pasos. En 600 ensayos, registró una tasa de éxito general del 36 %. Las tasas de éxito fueron del 63,5 % en las tareas de recoger y colocar, del 34,0 % en otras tareas de manipulación y del 10,5 % en las tareas complejas.

La evaluación se describió como de cero ejemplos porque el punto de control no se había entrenado con demostraciones robóticas recopiladas específicamente para esas tareas objetivo. Sin embargo, el preentrenamiento sí incluyó datos robóticos. Entre los ejemplos de la batería de pruebas figuraban guardar un bolígrafo en un estuche, cerrar un cajón y colocar un bolígrafo en una bolsa antes de guardar la bolsa en un cajón.

LiberAI afirma que el modelo aprende de vídeos cotidianos prediciendo fotogramas futuros junto con acciones, y que también utiliza grabaciones de guantes y robots que contienen mediciones del movimiento. Su sistema LiberSense Glove captura los movimientos de las manos, mientras que una representación de la corporeización proporciona al modelo información sobre la forma del cuerpo y el movimiento de las articulaciones para ayudarlo a adaptar las acciones a distintas plataformas.

En un experimento aparte, las demostraciones robóticas abarcaban acciones de recoger y colocar, mientras que las grabaciones con guantes añadían acciones como doblar, presionar y abrir. La puntuación de progreso en tareas distintas de recoger y colocar pasó de 2,2 con solo datos robóticos a 47,5 tras añadir datos de guantes, y a 54,6 cuando el conjunto de datos de guantes también incluía acciones de recoger y colocar. Una política entrenada con demostraciones robóticas para todas las acciones obtuvo 56,3. Estos resultados proceden de una evaluación aparte, no de la prueba de 60 tareas.

Otro experimento analizó si las grabaciones con guantes podían reducir la cantidad de datos robóticos necesarios. En una evaluación de ocho tareas, una política que utilizó el 25 % del conjunto de demostraciones robóticas y todo el conjunto de datos de guantes obtuvo 75,6 en la medida de progreso, frente a 72,8 de una política que utilizó el conjunto robótico completo. En esa configuración, la política mixta utilizó un 75 % menos de demostraciones robóticas, aunque siguió empleando el conjunto completo de datos de guantes.

LiberAI también informó que su punto de control preentrenado obtuvo puntuaciones de progreso de 81,4 en tareas de recoger y colocar y de 72,3 en otras tareas de manipulación en pruebas de referencia internas. El posentrenamiento robótico elevó esas puntuaciones a 83,6 y 73,8, respectivamente.

La empresa indicó que actualmente el sistema de guantes registra posturas y trayectorias de las manos, pero no el contacto ni la fuerza. Identificó la detección táctil y de fuerza, así como la recopilación de datos en una variedad más amplia de hogares, como futuras líneas de investigación.

Fuentes: The Robot Report.