Aunque solo he tenido la suerte de estar un semana estudiando en el MIT, la verdad es que quedé impresionado por la cantidad de proyectos «raros» que tenían entre manos en unos laboratorios viejos y desordenados.

Ahora y para eliminar la necesidad conjeturas y utilizar el sistema de prueba y error para encontrar el diseño adecuado para que un robot  haga  una tarea vasta con preguntar a RoboGrammar. El programa solo necesita saber qué piezas hay por ahí y qué necesita que haga el robot.

RoboGrammar sigue tres pasos antes de presentar sus diseños personalizados:

Para empezar, RoboGrammar necesita una lista de piezas disponibles y una tarea en forma de terrenos de entrada. Por ejemplo, tal vez desee atravesar un terreno con crestas o escalones.

A continuación, la IA genera miles de diseños posibles basados ​​en los componentes disponibles.

La mayoría de estos diseños serían robots «sin sentido» que no funcionan bien con el tipo de terreno especificado (o gran parte de cualquier cosa).

El equipo agregó un conjunto de restricciones llamado «gráfico gramatical» para garantizar que los diseños creados por RoboGrammar fueran funcionales en un nivel básico.

Finalmente, RoboGrammar simula todos los diseños con un algoritmo controlador llamado Model Predictive Control que prioriza el movimiento de avance eficiente.

Los investigadores que utilizan RoboGrammar pueden buscar en la base de datos de posibles diseños con una «búsqueda heurística de gráficos» para encontrar los mejores. Por ejemplo, pueden tener patas, ruedas o una mezcla de los dos.

Con el tiempo, la red neuronal aprende qué diseños funcionan bien y cuáles no, mejorando la función heurística con el tiempo.

Los diseños que provienen de RoboGrammar no son productos terminados; simplemente dan a los ingenieros una mejor idea de qué dirección tomar antes de comenzar a construir.