Este artículo describe el proyecto RoboVac, donde dos personas construyeron un robot aspirador autónomo para su hogar, en lugar de comprar uno prefabricado. El objetivo era crear un robot funcional con un presupuesto de menos de 500 dólares y una duración de batería suficiente para una semana de limpieza con una sola carga. El proyecto se centró en la creación de un sistema de navegación autónoma utilizando técnicas de aprendizaje por imitación (behavior cloning).
La estrategia principal consistió en teleoperar el robot por la casa, registrando pares de imágenes y acciones de navegación (adelante, atrás, giro a la izquierda, giro a la derecha, parar). Estos datos se utilizaron para entrenar una red neuronal convolucional (CNN) simple. Inicialmente, el robot mostró problemas como reversiones innecesarias, oscilaciones en la cocina y dificultades para detectar obstáculos o espacios libres. Se identificó que la falta de datos de entrenamiento de calidad y la ausencia de información sobre la profundidad eran factores contribuyentes. El uso del comando 'STOP' también resultó problemático, a veces bloqueando el robot.
Para mejorar el rendimiento, se implementaron técnicas de aumento de datos (grayscale, Gaussian blur, ruido, jitter de color) para expandir el conjunto de datos inicial de 600 imágenes a aproximadamente 30.000. También se intentó pre-entrenar la red en ImageNet, pero la pérdida de validación seguía siendo alta, lo que sugiere una falta de señal informativa en los datos, en lugar de un sobreajuste. El equipo reconoció la necesidad de recopilar más datos de teleoperación más consistentes, eliminar datos ruidosos y considerar la incorporación de un historial de fotogramas para una mejor percepción del entorno. También se identificaron limitaciones en la potencia de succión del aspirador y la necesidad de baterías separadas para alimentar el motor del aspirador y el resto del sistema, así como la ausencia de carga autónoma.
En resumen, el proyecto demostró la viabilidad de construir un robot aspirador autónomo con un presupuesto limitado, pero también resaltó los desafíos inherentes al aprendizaje por imitación y la importancia de la calidad de los datos para el éxito del entrenamiento de modelos de aprendizaje automático en robótica.