Un equipo de científicos de la Universidad Carnegie Mellon y el Bosch Center for AI ha creado un sistema de inteligencia artificial que mejora en un 90,9% la tasa de éxito en tareas manuales complejas realizadas por robots humanoides. Este avance, que marca una diferencia significativa frente a modelos anteriores, tiene el potencial de transformar el uso de estas máquinas en hogares e industrias. El sistema, denominado Humanoid Transformer with Touch Dreaming (HTD), fue evaluado en cinco tareas de laboratorio: plegado de toallas, organización de libros, servicio de té, entre otras. Los resultados superaron ampliamente a los controladores tradicionales, logrando 30% más de aciertos que los métodos que emplean datos táctiles sin procesar.
Cómo HTD replica la coordinación sensorial humana
La investigación parte de una observación clave: las personas manipulan objetos combinando coordinación corporal, uso preciso de las manos y anticipación sensorial sobre cómo evolucionarán los contactos durante cada movimiento. Yaru Niu, autor principal y doctorando en el Safe AI Lab de Carnegie Mellon, explicó:
“Cuando realizamos tareas cotidianas como plegar tela, insertar objetos, acarrear lo frágil o recoger con una pala, no solo vemos: coordinamos postura, movimientos de la mano y predicciones sobre el contacto”.
El equipo identificó que los robots humanoides actuales fallan en esta integración sensorial-motriz, limitando su eficacia en tareas que requieren equilibrio y manipulación de objetos frágiles. Para superar esto, diseñaron el sistema con sensores táctiles distribuidos y aprendizaje por imitación, combinados con predicción de señales de contacto futuras, técnica bautizada como touch dreaming. Así, la IA no solo decide acciones, sino que anticipa cómo variarán las fuerzas y señales táctiles durante la interacción.
El diseño separa la gestión del equilibrio —a cargo de un controlador para la parte inferior del cuerpo— de la manipulación fina en la mano, resuelta con técnicas de retargeting y cinemática inversa para torso y brazos. Cada módulo se enfoca en objetivos concretos: estabilidad y precisión manual.
Pruebas, arquitectura y próximos pasos
En los experimentos, el modelo HTD se entrenó con una estrategia maestro-estudiante, donde el agente maestro dispone de información privilegiada en simulación, mientras el estudiante aprende a actuar solo con datos realistas de sensores. La arquitectura reduce la interferencia entre control postural y manipulación, permitiendo un desempeño robusto ante perturbaciones. El sistema demostró capacidades avanzadas tanto en teleoperación humana como en modo autónomo.
“Nuestro sistema combina un controlador completo para el cuerpo basado en aprendizaje por refuerzo, cinemática inversa superior, retargeting para manipulación manual, teleoperación en realidad virtual y sensores táctiles distribuidos. Así logramos reunir datos de alta calidad en tareas que requieren contacto constante”, señalaron Niu y Ding Zhao, profesor asociado y director del Safe AI Lab. Jonathan Francis, coautor y responsable del Robot Learning Lab en Bosch Center for AI, añadió:
“Si queremos que estos robots trabajen en el mundo real, necesitan no solamente mejor visión y generación de movimientos, sino modelos de aprendizaje profundamente conscientes del contacto”.
El código fuente de parte del sistema HTD se publicó en repositorios abiertos para facilitar estudios complementarios. El equipo busca profundizar en la transferencia e interpretación del espacio latente táctil, generalizar el modelo a robots con diversas morfologías y sensores, y explorar la colaboración humano-robot a mayor escala. La meta a largo plazo es desarrollar sistemas de manipulación robustos y escalables capaces de aprender de la experiencia humana y robótica para adaptarse a tareas cada vez más complejas en entornos reales.
Fuente: Infobae