Fuerza, contacto y simulación | Robótica con IA
Tres preprints nuevos prueban control de fuerza en humanoides, locomoción con contacto y una política entrenada sin datos reales.
- humanoid robotics
- contact control
- legged locomotion
- robot learning
- simulation
- AI
- news
¿Qué ha cambiado de verdad en las últimas 24 horas? Han aparecido tres preprints con pruebas concretas sobre un problema que suele romper robots fuera de la simulación: el contacto. Uno mide y sigue fuerza en un humanoide, otro aprende locomoción sin perder el contacto físico y el tercero intenta pasar de simulación a un brazo real sin entrenar con datos reales. Son resultados de sus autores, no productos ni validación independiente.
FLORE añade la fuerza al control de un humanoide
El preprint FLORE, enviado el 26 de octubre, propone que un humanoide no solo siga una trayectoria con las manos. También recibe una fuerza objetivo por mano y la corrige con sensores de fuerza y par mientras mantiene el equilibrio.
Los autores recopilan demostraciones sin robot usando pinzas manuales con sensores de fuerza y seguimiento corporal. En tres tareas físicas con contacto, informan de un 80 % de éxito frente al 26,7 % de una política que solo usa posición y se entrenó con las mismas demostraciones. Es un resultado del estudio, no una receta lista para instalar.
Para un proyecto pequeño, la idea útil es bastante terrenal. Si tu pinza aprieta una pieza frágil, no basta con mandar una posición de cierre. Necesitas medir alguna señal de contacto y decidir qué error de fuerza aceptas antes de seguir empujando.
Una simulación de contacto que llega al robot sin ajuste final
Differentiable Contact Dynamics, también enviado el 26 de octubre, cambia cómo se calcula el gradiente al aprender con fricción y cambios de contacto. La simulación mantiene el contacto duro en el cálculo que genera el movimiento. La suavización queda en el paso de aprendizaje, donde ayuda a que la política no se quede ciega al pasar de apoyar a deslizar.
Los autores indican que entrenan con 100.000 muestras en menos de dos minutos en un ordenador de escritorio y transfieren la política a hardware sin ajuste posterior. En el robot, describen trote ante empujones, escombros y suelo deslizante. Sigue siendo un preprint enviado a revisión, así que conviene leerlo como una técnica a reproducir y medir, no como garantía de que cualquier cuadrúpedo vaya a funcionar igual.
Aquí la lección para quien simula antes de montar es clara. No midas solo si el robot avanza en un suelo limpio. Prueba transiciones de contacto, empujones y rozamientos distintos. Es justo ahí donde un controlador bonito en vídeo suele pedir la cuenta.
ZAP intenta separar entender la tarea de aprender a mover el robot
El tercer preprint, Zero-real Agent Policy, usa un modelo visión-lenguaje ya entrenado para comprender la escena y lo afina en simulación para producir acciones. Los autores afirman no usar datos de robot real durante ese entrenamiento.
En sus tareas reales, reportan un 96,7 % de éxito y transferencia a un brazo Franka no visto durante el entrenamiento. También comparan el método con otras políticas dentro de su propio banco de pruebas. Son cifras llamativas, pero no hay verificación externa en esta publicación ni un paquete instalable enlazado en el preprint.
Lo que merece seguir de cerca no es el porcentaje aislado. Es la división del trabajo. Un modelo grande puede ayudar a decidir qué hay que hacer. La parte que mueve motores debe seguir pasando por pruebas sencillas, límites físicos y una forma de medir fallos. Si estás empezando, puedes aplicar esa separación sin un laboratorio: usa visión para elegir el objeto y reglas de control pequeñas para acercar, cerrar y detener la pinza.
Los tres trabajos apuntan al mismo cuello de botella. Para que un robot salga de la simulación necesita fallar menos cuando toca el mundo. Tranquilo, no hace falta resolverlo todo de golpe. Empieza por un sensor, una prueba de rozamiento y un límite de fuerza que puedas comprobar.
- FLORE, preprint de arXiv
- Differentiable Contact Dynamics, preprint de arXiv
- Zero-real Agent Policy, preprint de arXiv
Cada afirmación de arriba sale de aquí. Si algo no tiene fuente, no está.