Un hexápodo que aprende a caminar dañado

En el pasado hemos visto algunos ejemplos de hexápodos robóticos formidables… y al mismo tiempo terroríficos. Imaginar a una de esas cosas aproximándose a alta velocidad puede ser perturbador, a menos que esté dañado en uno de sus miembros y se arrastre de modo errático. Sin embargo, el desarrollo del algoritmo conocido como T-Resilience permite a un hexápodo descubrir por su cuenta el patrón más eficiente, recuperando gran parte de su movilidad original.

Recuerdo especialmente a dos proyectos basados en hexápodos: Uno es el MorpHex, y el otro el PhantomX, ambos bajo la jurisdicción de Kåre Halvorsen. El MorpHex saltó a la fama gracias a su capacidad de transformarse en una esfera, mientras que el PhantomX congeló los corazones de muchos con sus movimientos precisos y amenazantes. Ahora, ¿qué sucede cuando un hexápodo se daña? Lo más probable es que comience a desplazarse lentamente y con errores, en especial cuando el daño está localizado en una de sus patas. Las opciones para el hexápodo son dos: Quedar a merced de su usuario esperando una reparación, o adaptarse a un nuevo patrón de movimiento. Eso es exactamente lo que permite el algoritmo T-Resilience, desarrollado en la Universidad Pierre y Marie Curie en París.

El proceso de descarte es ciertamente lento, ya que el hexápodo debe probar cada una de las veinticinco combinaciones posibles, lo que obliga a consumir cerca de veinte minutos. Sin embargo, el hecho de que logre recuperar el 70 por ciento de su velocidad original no es algo que deba ser tomado a la ligera. Además, el modelo de recuperación no necesita de ningún reporte adicional sobre las partes que están fallando, o que se hayan perdido en el camino. El modelo sabe exactamente cómo debería funcionar, y al detectar un nivel de eficiencia menor, comienza su búsqueda de patrones optimizados. Si un hexápodo puede aprender a no usar una de sus patas dañadas, o a usarla de un modo diferente, nos preguntamos qué es lo que sigue.