Un equipo de ingenieros del proyecto DeepMind de Google ha logrado desarrollar un robot capaz de jugar al ping-pong a nivel amateur. Los investigadores publicaron un artículo en el servidor arXiv, donde describen el proceso de desarrollo del robot, su rendimiento en diferentes niveles de habilidad y la reacción de los jugadores humanos al enfrentarse con él.
Robot tenistas
En los últimos años, los robóticistas han combinado avances en el diseño de robots con inteligencia artificial, lo que ha permitido la creación de máquinas con habilidades cada vez más sofisticadas.
En este nuevo diseño, DeepMind ha diseñado un jugador de ping-pong basado en IA que posee el nivel de rendimiento más alto registrado hasta la fecha en una máquina. Para construir el sistema, los investigadores utilizaron un brazo robótico llamado ABB IRB 1100, comúnmente empleado en aplicaciones industriales.
Además de manipular su brazo y mano con gran rapidez, este robot también puede deslizarse lateralmente sobre un riel a gran velocidad, lo que lo convierte en un candidato ideal para jugar al tenis de mesa.
El desarrollo del robot se basó en un enfoque de dos niveles. El primer nivel se centró en la ejecución de los movimientos básicos del tenis de mesa, mientras que el segundo se enfocó en la estrategia del juego.
La arquitectura cerebral del robot combinó múltiples controladores de nivel de habilidad, cada uno entrenado mediante rutinas de inteligencia artificial que aprendieron observando simulaciones físicas y a humanos jugando.
Las pruebas
Tras probar virtualmente el robot y considerar que estaba listo para enfrentarse a humanos, los investigadores realizaron 29 partidos con jugadores humanos de habilidades variables.
El robot venció fácilmente a todos los jugadores principiantes, pero no logró superar a los jugadores de alto nivel, ganando solo un poco más de la mitad de sus partidos contra jugadores intermedios.
Durante las pruebas, el equipo identificó debilidades en el juego del robot, como la lentitud al reaccionar a bolas rápidas o altas, la dificultad para leer el efecto y los golpes de revés. Estos serán los próximos desafíos a abordar en futuras mejoras del sistema.
