Assistive Gym

Framework de simulación física para entrenar robots asistenciales en tareas de cuidado

Licencia

MIT

Resumen

Assistive Gym es un framework de simulación basado en física, construido sobre PyBullet y OpenAI Gym, para entrenar robots que ayuden a las personas en tareas cotidianas como comer, beber, bañarse y vestirse. Combina seis tareas asistenciales con seis robots comerciales e incorpora las preferencias humanas en sus funciones de recompensa. Incluye políticas de referencia preentrenadas para el aprendizaje por refuerzo.

Assistive Gym es un framework de simulación basado en física construido sobre PyBullet e integrado con OpenAI Gym, diseñado específicamente para la investigación en interacción física humano-robot y asistencia robótica. Proporciona 72 entornos de simulación listos para usar que combinan seis tareas asistenciales (alimentación, bebida, rascado de picazón, baño en cama, vestido y manipulación de brazo) con seis robots comerciales (PR2, Jaco, Baxter, Sawyer, Stretch y Panda) en configuraciones humanas tanto estáticas como activas.

El framework presenta modelos humanos anatómicamente realistas con 40 articulaciones actuadas y límites articulares dependientes de la postura derivados de investigación biomecánica, soportando configuraciones corporales tanto masculinas como femeninas. Incorpora el modelado de preferencias humanas directamente en las funciones de recompensa, permitiendo que los robots aprendan estrategias de asistencia que respeten la comodidad y autonomía de la persona. La versión 1.0 añadió manipulación móvil, control multi-robot, integración con iGibson para entornos domésticos fotorrealistas y modelos de malla humana SMPL-X para una representación corporal realista.

Assistive Gym es totalmente compatible con algoritmos estándar de aprendizaje por refuerzo a través de la interfaz OpenAI Gym, incluye políticas de referencia preentrenadas para todas las combinaciones de robot-tarea y soporta desarrollo en la nube a través de cuadernos de Google Colab. Los investigadores pueden crear entornos asistenciales personalizados, ampliar tareas existentes y comparar nuevos enfoques contra las líneas base proporcionadas.

Por qué importa

A medida que las poblaciones envejecen a nivel mundial, la demanda de cuidadores supera con creces la fuerza laboral disponible. La robótica asistencial tiene el potencial de cerrar esta brecha, pero desarrollar robots que interactúen físicamente con personas es inherentemente arriesgado. Assistive Gym proporciona un entorno de simulación seguro y repetible donde los investigadores pueden entrenar y evaluar políticas de robots asistenciales sin poner a personas reales en riesgo durante el proceso de desarrollo.

El framework se ha consolidado como una herramienta fundamental en la comunidad de investigación en robótica asistencial, publicado en IEEE ICRA 2020 y ampliamente citado. Al estandarizar la simulación de tareas comunes de cuidado y proporcionar resultados de referencia en múltiples robots comerciales, acelera el progreso en un campo donde la experimentación en el mundo real es costosa, lenta y éticamente limitada. Su naturaleza de código abierto y el soporte de Google Colab reducen la barrera de entrada para nuevos investigadores que se incorporan a este dominio crítico.

Qué problema resuelve

Desarrollar robots que asistan físicamente a personas con actividades diarias presenta un problema fundamental de causa circular: los robots necesitan un entrenamiento extenso para interactuar de forma segura con humanos, pero entrenar con personas reales plantea riesgos de seguridad inaceptables. Los experimentos de interacción física humano-robot también son costosos, requieren mucho tiempo y son difíciles de reproducir entre grupos de investigación.

Assistive Gym resuelve esto proporcionando una simulación física realista donde los robots pueden aprender a través de millones de interacciones de ensayo y error sin ningún riesgo para sujetos humanos. El framework modela no solo la física del contacto, sino también las preferencias humanas y las capacidades físicas, asegurando que las políticas entrenadas tengan en cuenta la comodidad y autonomía de la persona asistida. Esto permite a investigadores de todo el mundo desarrollar, probar y comparar estrategias asistenciales con benchmarks estandarizados antes de cualquier despliegue en el mundo real.

Puntos clave

• Simula seis tareas de la vida diaria (alimentación, bebida, baño, vestido, rascado, manipulación de brazo) en seis robots comerciales con 72 combinaciones totales de entornos
• Integra el modelado de preferencias humanas en las funciones de recompensa para que los robots aprendan a asistir de maneras que respeten la comodidad y la autonomía
• Presenta modelos humanos anatómicamente realistas con 40 articulaciones actuadas y límites articulares biomecánicamente precisos
• Compatible con aprendizaje por refuerzo estándar a través de la interfaz OpenAI Gym, con políticas de referencia preentrenadas incluidas
• Soporta entornos domésticos fotorrealistas mediante integración con iGibson y representación corporal realista a través de mallas humanas SMPL-X

Para quién es

• Investigadores en robótica que trabajan en interacción física humano-robot y tecnología asistencial
• Profesionales de aprendizaje por refuerzo que aplican RL a tareas reales de cuidado y manipulación
• Desarrolladores de tecnología sanitaria que prototipen asistencia robótica para el cuidado de personas mayores y con discapacidad
• Estudiantes de posgrado que estudian robótica asistencial, ingeniería de rehabilitación o IA encarnada
• Fabricantes de robots que evalúan plataformas comerciales para aplicaciones asistenciales

Limitaciones

• La brecha entre simulación y realidad significa que las políticas entrenadas en Assistive Gym pueden no transferirse directamente a robots físicos sin un ajuste adicional
• Los modelos humanos utilizan límites articulares y dinámicas corporales simplificados que no pueden capturar toda la variabilidad de pacientes reales con diferentes discapacidades
• Requiere Python 3.6 o 3.7 para mejor compatibilidad, con soporte limitado para versiones más recientes de Python
• No modela deformaciones de cuerpos blandos para tareas como vestido y baño donde la física de tela y piel es importante
• La última actualización significativa fue la v1.0 y el proyecto tiene actividad de desarrollo reciente limitada en comparación con frameworks de simulación más nuevos