Diseñan robots humanoides capaces de manipular todo tipo de objetos

Los robots humanoides pueden manipular de forma fiable diferentes objetos con un 87 % de éxito, utilizando un nuevo marco técnico. El avance podría permitir a los robots agarrar de manera confiable una gama más amplia de objetos y completar con éxito más tareas manuales.

Investigadores y especialistas de la Universidad de Wuhan, en China, presentaron RGMP, un nuevo marco de aprendizaje que mejora notablemente la capacidad de los robots humanoides para manipular objetos, principalmente en escenarios no experimentados durante el entrenamiento.

Según explican en un nuevo estudio, publicado en arXiv, el sistema combina razonamiento geométrico con un control visual y motor de alta eficiencia: los robots humanoides operados con este modelo logran una tasa de éxito del 87 % en pruebas generales de manipulación de objetos, además de alcanzar una eficiencia de datos cinco veces superior con respecto a otros sistemas.

Menos datos y menos errores

El modelo RGMP (Recurrent Geometric-prior Multimodal Policy) incorpora dos componentes de gran importancia. Por un lado, un dispositivo inserta sesgos geométricos dentro de un esquema de visión y lenguaje, para seleccionar secuencias de habilidades según la forma y posición del objeto.

El segundo avance clave es una función que permite gestionar las interacciones robot-objeto como una jerarquía de relaciones espaciales a múltiples escalas, habilitando una síntesis de movimientos precisos a partir de un número escaso de demostraciones.

La fusión de razonamiento geométrico y aprendizaje multimodal permite superar muchas de las limitaciones habituales en los robots humanoides: no se requieren grandes conjuntos de datos y se reducen las fallas y errores al enfrentar escenarios nuevos, que no se habían trabajado en el entrenamiento.

Adaptación a nuevos contextos

Según se explica en un artículo publicado en Tech Xplore, a diferencia de otros robots humanoides, que incorporan un sentido espacial explícito íntimamente ligado al trabajo de entrenamiento, RGMP utiliza en cambio principios geométricos derivados de un "sentido común espacial", que le permiten inferir qué habilidad es adecuada cuando aparece un objeto o escenario desconocido.

En las pruebas y ensayos, el robot mostró una capacidad de adaptación notable frente a la variabilidad de objetos y posiciones experimentadas, sugiriendo aplicaciones prácticas en tareas domésticas, como aquellas ligadas al orden o la manipulación de utensilios, servicios de entrega y procesos de ensamblaje ligero, entre otras alternativas.

Aunque es notable el avance de estos robots humanoides, y la posibilidad de trabajar con un conjunto de datos más acotado durante el entrenamiento podría acelerar el desarrollo de aplicaciones reales, aún es necesario superar desafíos técnicos. Por ejemplo, algunos de estos retos son extender el marco a más tipos de tareas y objetos, automatizar la inferencia de trayectorias específicas para acciones nuevas, y evaluar el desempeño en múltiples entornos operativos reales.