Aprendizaje automático en robótica: del sensor al movimiento seguro

A 30 de julio de 2026, un robot que mueve una caja no ejecuta una sola «IA». Convierte señales ruidosas en una estimación del mundo, elige una trayectoria, envía órdenes a motores y vuelve a medir lo ocurrido. El aprendizaje automático puede intervenir en cada etapa, pero no elimina la geometría, el control ni las restricciones físicas. La capacidad duradera es auditar ese bucle completo y localizar dónde una predicción incierta puede convertirse en una colisión.

El bucle: percibir, estimar, planificar, controlar

Percepción transforma cámaras, lidar, fuerza, tacto o audio en objetos, superficies y eventos. Estimación de estado combina medidas a lo largo del tiempo para inferir posición, velocidad y confianza. Planificación busca una ruta o secuencia de acciones. Control convierte el plan en pares, velocidades o posiciones y corrige el error al observar la respuesta. Supervisión detiene o degrada el sistema cuando sale de su envolvente.

Confundir etapas produce diagnósticos malos. Una pinza puede fallar porque la cámara no vio una pieza, porque la pose fue estimada con error, porque el plan atravesaba un obstáculo o porque el objeto resbaló al ejecutar. «Mejorar el modelo» no sirve hasta identificar cuál. Cada interfaz debe exponer unidades, frecuencia, latencia e incertidumbre.

Percepción no decide el movimiento

Una CNN o un Transformer visual puede detectar objetos, segmentar áreas transitables o estimar profundidad. Su salida debe expresarse en coordenadas útiles para el robot y asociarse con calibración de cámara y tiempo. Una caja correcta en una imagen antigua puede ser peligrosa si el objeto ya se movió.

La evaluación incluye falsos negativos, falsos positivos y error geométrico, pero también iluminación, oclusión, desenfoque, vibración y cambio de cámara. Conviene probar qué ocurre cuando un sensor discrepa de otro o deja de responder. Un sistema seguro no convierte una puntuación baja en una coordenada precisa por silencio.

Estimar es reconocer que no se observa todo

El robot raramente conoce su estado exacto. Ruedas patinan, articulaciones tienen holgura y sensores acumulan ruido. La estimación fusiona un modelo de movimiento con observaciones y mantiene una medida de incertidumbre. El planificador debería recibir esa incertidumbre, no solo un punto.

El aprendizaje puede estimar pose o dinámica, pero debe calibrarse fuera de la distribución de entrenamiento. Si la confianza no aumenta ante niebla, reflejos o una carga desconocida, el número deja de representar riesgo. La política de producto define qué nivel obliga a reducir velocidad, solicitar ayuda o parar.

Planificar no es improvisar

Un planificador busca una secuencia factible bajo obstáculos, límites articulares y objetivos. El algoritmo Rapidly-exploring Random Tree mostró cómo explorar espacios continuos de alta dimensión mediante un árbol sesgado hacia regiones no visitadas. Métodos de este tipo no necesitan aprender de datos para aportar una ruta.

Una política aprendida puede proponer acciones rápidamente o resolver representaciones complejas, pero puede convivir con un planificador y un comprobador de colisiones. La arquitectura híbrida permite que el componente flexible sugiera mientras un componente verificable impone límites. «De extremo a extremo» describe una ruta de entrenamiento, no una exención de seguridad.

Control cierra el bucle físico

El controlador compara el estado deseado con el observado y corrige a una frecuencia determinada. La estabilidad depende de retardos, saturación, dinámica y ganancias. Un modelo puede predecir la dinámica o ajustar una referencia, pero los actuadores conservan límites de velocidad, fuerza y temperatura.

Las métricas deben incluir error de trayectoria, oscilación, energía, tiempo de asentamiento y violaciones de límites. Un éxito final puede esconder movimientos bruscos. En colaboración con personas importan distancias, fuerzas y tiempo de parada. La recompensa de un algoritmo no sustituye esas medidas.

Supervisado, imitación y refuerzo resuelven problemas distintos

El aprendizaje supervisado aprende de pares de entrada y etiqueta: imagen y pose, vibración y fallo, mapa y zona transitable. El aprendizaje por imitación intenta reproducir acciones de una persona o controlador experto. Pero las acciones del robot cambian los estados futuros; entrenar solo con trayectorias perfectas deja huecos cuando el sistema se desvía. DAgger abordó esa distribución inducida agregando ejemplos de estados visitados por la política y consultando la acción experta.

El aprendizaje por refuerzo optimiza una recompensa mediante interacción. DQN combinó aprendizaje Q y redes profundas en videojuegos; PPO propuso actualizaciones de política relativamente simples y estables. Nombrarlos no demuestra idoneidad robótica. Hay que definir observación, acción, recompensa, horizonte, exploración y restricciones físicas.

La recompensa es una especificación incompleta

Si se recompensa velocidad sin penalizar fuerza o proximidad, una política puede encontrar una conducta eficaz y peligrosa. Si solo puntúa el resultado final, puede explotar errores del simulador. Hay que registrar términos, pesos y unidades, y probar conductas no previstas.

La seguridad no debe depender únicamente de que el modelo haya «aprendido» a evitar daños. Constrained Policy Optimization formalizó restricciones esperadas junto al rendimiento, pero una garantía matemática depende de sus supuestos. En hardware se añaden límites independientes, monitores, zonas prohibidas, parada y un controlador de respaldo.

Simulación: barata, repetible e incompleta

El simulador permite millones de intentos sin desgastar el robot ni poner personas en riesgo. Pero aproxima fricción, deformación, sensores y contactos. Una política puede aprender artefactos que no existen fuera. Esa diferencia es la brecha simulación-real.

La aleatorización de dominio varía texturas, iluminación y otros parámetros para que el mundo real parezca una variación más. No elimina la brecha: exige elegir qué variar y en qué rango. También se pueden identificar parámetros con datos reales, adaptar representaciones o ajustar después, siempre dentro de una fase controlada.

La prueba sim-to-real debe desglosar éxito, contactos, fuerzas, tiempo y fallos por condición. «Cero disparos» significa sin ajuste real, no sin información humana ni sin riesgo. Si el robot toca personas, el primer contacto no puede ser un experimento abierto.

Aprender en línea cambia el sistema aprobado

Actualizar una política con cada ejecución puede ser útil en un laboratorio, pero en un entorno crítico convierte cada nueva versión en otro objeto de validación. Un robot quirúrgico no debería alterar silenciosamente su conducta clínica porque «aprende de cada procedimiento». Deben distinguirse registro de datos, análisis fuera de línea, reentrenamiento, revisión, versión liberada y monitorización.

También hay que separar personalización de aprendizaje autónomo. Ajustar un límite autorizado o calibrar un sensor bajo un protocolo no equivale a reoptimizar toda la política. Para cada parámetro mutable se documenta rango, responsable, prueba y reversión.

AutoNav: autonomía acotada dentro de una misión

El caso de Perseverance muestra un sistema concreto. La descripción de JPL de AutoNav explica que las cámaras alimentan mapas tridimensionales, el software identifica peligros y planifica alrededor de obstáculos, mientras el equipo humano establece objetivos y rutas. La autonomía resuelve el tramo local bajo límites; no decide la misión científica por sí sola.

Es un patrón más útil que «un rover usa IA»: tarea delegada, sensores conocidos, mapa, detector de peligro, planificador y supervisión. Para cualquier caso —almacén, prótesis o asistencia— hay que exigir el mismo nivel de identificación. Sin sistema, medida y frontera operativa, no hay caso de estudio.

Validar por capas antes de soltar el robot

Primero se prueban componentes con datos conservados y casos límite. Después, el bucle completo en simulación. Luego hardware en banco, zona vallada y condiciones graduadas. Un modo sombra puede registrar qué habría hecho la política sin concederle control. El despliegue aumenta velocidad, carga y variedad solo al cumplir umbrales predefinidos.

El registro debe sincronizar sensores, estimación, plan, órdenes, intervención y versión de software. Tras un fallo, el equipo necesita reconstruir qué sabía cada componente y cuándo. La tasa media de éxito se acompaña de peor caso, intervenciones por hora, distancia a límites y recuperación.

La lista de control que une aprendizaje y física

Dibuja cinco cajas —percepción, estado, plan, control y supervisor— y para cada una anota entrada, salida, incertidumbre, frecuencia, métrica y modo de fallo. Marca qué parte aprende, con qué datos, y qué restricción independiente la contiene. Añade la ruta simulación→laboratorio→entorno controlado→operación y el criterio de retroceso.

Un robot no es autónomo porque una red elija acciones; lo es dentro de un perímetro donde puede percibir, corregir y detenerse. Si una demostración no muestra ese perímetro, enseña una habilidad, no un sistema seguro. La pregunta transferible no es «¿qué algoritmo usa?», sino «¿qué ocurre desde el sensor hasta el freno cuando el algoritmo se equivoca?».