Robots que frenan, visión 360 y modelos predictivos | IA

¿Qué ha cambiado de verdad en las últimas 24 horas? Tres preprints ponen números a tres problemas distintos: cuándo un humanoide ya no puede detenerse de forma estable, cuánto cuesta formar una panorámica con cuatro cámaras a bordo y por qué una métrica predictiva puede elegir el estimador equivocado para control.

Son trabajos de investigación publicados el 2 de septiembre. No son productos terminados ni certificaciones de seguridad. Dos dejan código público y uno prueba su método en un Unitree G1 físico.

Safe-Stop decide si el humanoide aún puede frenar

Safe-Stop separa dos preguntas que un botón de emergencia suele mezclar: cómo detener el robot y si todavía puede detenerse sin caer. El sistema combina un estimador de probabilidad de parada con otro de alcanzabilidad. Solo ejecuta la política de parada cuando ambos coinciden. Si no, entrega el control a una política de caída amortiguada.

En el proyecto del equipo, los autores reportan un 96,4 % de paradas correctas fuera de distribución y un 3,89 % de aprobaciones inseguras en la simulación de un Unitree G1. La comprobación física se limita a 150 intentos sobre cinco clips y no registró la pose del robot. El equipo infirió los fallos a partir de las trazas de los estimadores. Son resultados propios, todavía sin validación independiente, y no convierten al G1 en un robot certificado para trabajar junto a personas.

¿Qué puedes copiar en un proyecto pequeño? No uses la misma condición para parar un servo lento y un robot que ya lleva velocidad. Registra desde qué estados funciona la parada, mide los falsos permisos y prepara una respuesta distinta cuando frenar ya no sea físicamente viable.

Cuatro cámaras dan al dron un panorama a 20 Hz

El trabajo From Multi-Fisheye Sensing to Panoramic Perception une cuatro cámaras fisheye sincronizadas en un panorama equirectangular de 1280 por 640 píxeles. El montaje usa un Jetson Orin NX, un controlador de vuelo y GNSS. Los autores lo evalúan con más de 50.000 grupos de imágenes tomados en 18 secuencias de campo.

La configuración desplegada procesa 19,99 fotogramas por segundo durante una reproducción limitada a 20 Hz y consume 13,29 W en la entrada del módulo, según el preprint. El repositorio oficial publica el ensamblador bajo MIT, los datos por separado y un CAD de referencia bajo CERN-OHL-S v2.0. El propio equipo avisa de que ese CAD no es un paquete certificado ni listo para volar.

Para un maker, aquí sí hay una pieza que se puede inspeccionar. La prueba que yo haría primero es ejecutar la ruta funcional en CPU antes de comprar cuatro cámaras y un Jetson. Ten en cuenta que el rendimiento citado exige el hardware y el protocolo del paper. Un portátil rápido no valida el consumo ni la frecuencia a bordo.

Una buena predicción puede señalar el estimador equivocado

Do Better Imagined Rollouts Mean Better Robot Control? compara seis estimadores de estado en 24 condiciones de sensado para un robot diferencial. Una evaluación de 20 pasos sin nuevas mediciones eligió un estimador distinto al óptimo en bucle cerrado en 18 de las 24 condiciones. La reproducción de trayectorias falló en 5 de 24.

No significa que predecir a largo plazo sea inútil. El dato dice algo más estrecho: si el robot recibe correcciones de sensores mientras se mueve, la prueba fuera de línea debe conservar un patrón de actualizaciones parecido. De lo contrario, una métrica bonita puede ordenar los estimadores al revés de lo que necesita el controlador. Todo el estudio ocurre en simulación con el estado de un robot diferencial, sin cámaras ni prueba física.

El repositorio público incluye código, pruebas y resultados empaquetados para comprobar las cifras. Ahora mismo no declara una licencia y su instrucción de clonado apunta a un nombre de repositorio anterior. Puedes auditarlo, pero no conviene asumir que ya está listo para reutilizarse en otro proyecto.

Si estás empezando, la regla común es bastante sencilla. Prueba la parada desde estados malos, conserva el contexto que el robot pierde fuera de cámara y evalúa el modelo con el mismo ritmo de sensores que tendrá al moverse. Ahí es donde una demo empieza a parecerse a un robot.