En la Plataforma Tecnológica de "robotica para flexibilidad industrial", Área de Negocio de "Medios de Producción y Robótica" dentro de la "Unidad Operativa de Industria y Movilidad" buscamos una persona que quiera realizar en doctorado con nosotros.
El objetivo de esta propuesta de tesis consiste en el desarrollo de nuevas técnicas de aprendizaje de skills de manipulación robótica basada en visión utilizando métodos de Deep Reinforcement Learning. El ámbito de aplicación de estas técnicas abarcará desde tareas clásicas de picking para clasificación o manipulación de objetos hasta tareas más complejas como manipulación de objetos flexibles o atornillado/desatornillado de elementos en entornos industriales que pueden resultar peligrosos para los operarios.
El campo del Deep Reinforcement Learning se basa en combinar técnicas de Reinforcement Learning y Deep Learning para resolver un abanico de problemas de toma decisión que se encontraban fuera del alcance de las máquinas hasta hace pocos años. Estas técnicas han sido aplicadas con éxito en la última década en el ámbito de los juegos, como por ejemplo en hacer que una máquina consiga jugar a videojuegos de Atari a partir de la información de los píxeles de la pantalla o en ganar a un jugador competente de Go (2015). Estas técnicas tienen el potencial de resolver un gran número de problemas del mundo real como puede ser la robótica.
La manipulación y la interacción con objetos representa uno de los mayores problemas abiertos de la robótica. Interactuar de forma inteligente con objetos no vistos anteriormente en entornos no controlados exige generalizar ciertas habilidades de percepción visual y manipulación con brazos robóticos que resultan muy complejos cuando la casuística que se pretender abarcar empieza a ser importante. Tradicionalmente este tipo de problemas ha sido abordado descomponiéndolo en tareas más sencillas de percepción, planificación y actuación. Estos enfoques contrastan con la forma que tenemos los humanos de realizar este tipo de acciones que se basa en un proceso dinámico que combina tanto la percepción visual como la actuación física. Las técnicas de Deep Reinforcement Learning tienen el potencial de resolver este tipo de problemas desde un nuevo paradigma que ya ha empezado a dar sus frutos como los trabajos de manipulación robótica basada en visión para operaciones de grasping publicado en 2018 por un equipo de Google y de la Universidad de Berkeley. El objetivo de esta tesis consiste en extender este tipo de técnicas a problemáticas industriales reales en entornos de producción o de reciclaje como pueden ser la manipulación de piezas en escenarios de machine tending o el desmantelamiento de baterías de vehículos eléctricos.
- **Titulación y especialidad**:
- Grado en ingeniería informática, telecomunicación o industrial o grado en física o matemáticas.
- Máster en temáticas relacionadas con la robótica y la inteligencia artificial.
- **Idiomas**: Inglés