Vea También
|
|
Científicos han desarrollado un nuevo sistema que enseña a los robots
bípedos a caer de forma segura. Crédito: DisneyResearchHub |
Los laboratorios de Disney y varios grupos universitarios acaban de presentar un avance que redefine algo tan simple —y tan peligroso— como la caída de un robot. Si un bipedal pierde el equilibrio, ya no tiene que convertirse en un amasijo de piezas rotas: ahora puede decidir cómo aterrizar para proteger sus componentes más frágiles. El trabajo, publicado en arXiv, responde a una pregunta clave que llevaba años rondando en robótica: ¿qué ocurre realmente cuando un robot cae… y cómo evitar que la gravedad destruya lo que tanto cuesta construir?
El equipo no solo analizó por qué se producen las caídas, sino también dónde aparece el daño, qué zonas concentran los peores impactos y, sobre todo, cómo evitar que un tropezón acabe en una costosa reparación. Tras meses de estudio, lograron que un robot pudiera recibir un empujón, deslizarse o perder apoyo y aun así adoptar una pose segura antes de tocar el suelo, preservando piezas vitales como cabezas, sensores o baterías.
La motivación detrás del proyecto es tan lógica como urgente. Los robots bípedos se mueven bien en terrenos irregulares, pero un mal paso basta para dejarlos fuera de servicio. Muchos caen con articulaciones rígidas o en movimientos descontrolados que revientan carcasas y rompen sensores. Los ingenieros de Disney decidieron cambiar la estrategia: en lugar de luchar contra la caída, enseñaron al robot a convivir con ella y transformarla en un movimiento controlado.
Para lograrlo, recurrieron al aprendizaje por refuerzo. Miles de robots virtuales se dejaron caer en un simulador mientras un sistema puntuaba cada gesto: sumaba puntos si el impacto disminuía o si las partes sensibles quedaban protegidas, y restaba puntos cuando el movimiento se volvía caótico. Cada caída aportó datos y el robot fue aprendiendo una secuencia de maniobras que reducía el daño, desde los primeros instantes del desplome hasta el momento exacto del contacto con el suelo.
Las pruebas incluyeron desde resbalones laterales a 2 metros por segundo (unos 6.5 pies por segundo) hasta caídas frontales con rotaciones rápidas de cadera. Cada episodio añadía variaciones aleatorias para impedir que el robot “memorice” un solo patrón. El equipo generó 24,000 poses estables y dejó caer a los modelos desde la altura de la cintura para evaluar cuáles funcionaban mejor. Diez de esas posturas fueron diseñadas por artistas, aportando ángulos más expresivos, desde cuclillas hasta poses dramáticas. Todas debían respetar los límites físicos de motores y articulaciones, y se añadió ruido aleatorio para simular pequeños golpes imprevistos.
El entrenamiento completo tomó solo dos días utilizando potentes tarjetas gráficas. Unas 4,000 simulaciones ocurrían en paralelo, mientras una red neuronal procesaba ángulos, orientación y movimiento para enviar comandos cincuenta veces por segundo. Usaron el método de proximal policy optimisation para ajustar el comportamiento sin cambios bruscos. Cada parte del cuerpo recibió un nivel de sensibilidad distinto: las piernas podían absorber impactos, pero la cabeza necesitaba máxima protección.
Una vez lista la política de movimientos, la instalaron en un robot real de dieciséis kilogramos, equipado con dos piernas con resortes y brazos mecánicos. Un sistema de captura de movimiento seguía cada desplazamiento en tiempo real y enviaba retroalimentación al controlador. El resultado fue contundente: el robot no solo dejaba de temer la caída, sino que respondía con precisión y mantenía el control incluso en desplomes repentinos.
La conclusión es simple pero poderosa: un robot no tiene por qué romperse cada vez que toca el suelo. Con la estrategia adecuada, una caída se convierte en un movimiento técnico, casi coreografiado, que protege la maquinaria y permite que el sistema siga funcionando. La gravedad seguirá ganando, pero ahora al menos caer no significa perder.
Fuentes, créditos y referencias:
Strauch, P., Müller, D., Christen, S., Serifi, A., Grandia, R., Knoop, E., & Bächer, M. (2025). Robot Crash Course: Learning Soft and Stylized Falling (Version 1). arXiv. doi.org/10.48550/ARXIV.2511.10635
