Robot, conócete a ti mismo: los Campos Jacobianos Neuronales del MIT enseñan a las máquinas a comprender sus cuerpos

El Desafío: Robots con Muchos Sensores

Durante décadas, los ingenieros han confiado en densas redes de codificadores, potenciómetros y otros sensores para decirles a los robots dónde están sus brazos y articulaciones. Estos dispositivos monitorean constantemente el ángulo y la velocidad de cada motor para que el robot pueda calcular cómo mover su cuerpo a través del espacio. Este enfoque funciona pero conlleva altos costos: requiere un cableado complejo, una calibración cuidadosa y a menudo falla si un sensor se daña o cambian las condiciones ambientales. Además, los algoritmos de control tradicionales deben ajustarse meticulosamente para cada nuevo robot, limitando cómo los diseños pueden evolucionar o adaptarse a nuevas tareas. Los investigadores han estado buscando durante mucho tiempo una manera más simple de dar a las máquinas un sentido de propiocepción: la capacidad de conocer la posición y el movimiento de su propio cuerpo, sin sobrecargarlo con hardware.

Presentando los Campos Jacobianos Neuronales

En julio de 2025, un equipo del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT anunció un avance llamado Campos Jacobianos Neuronales (NJF). En lugar de usar docenas de sensores, NJF permite a un robot aprender la relación entre los movimientos de sus articulaciones y los movimientos resultantes a partir de observaciones visuales solamente. Con una sola cámara apuntada hacia el robot, el sistema observa cómo se mueve el robot y gradualmente construye un modelo interno de cómo sus articulaciones afectan la posición de sus extremidades. La idea clave es que este modelo, conocido en robótica como un Jacobiano, puede ser representado por una red neuronal que aprende directamente de cuadros de video. Una vez entrenada, la red permite al robot inferir cómo mover su cuerpo para lograr una posición deseada sin dispositivos de medición explícitos en cada articulación.

Cómo Funciona NJF

El sistema NJF opera en dos fases. Durante el entrenamiento, el robot realiza movimientos aleatorios mientras una cámara graba su movimiento desde múltiples ángulos. El algoritmo procesa estas imágenes para estimar las posiciones de las articulaciones del robot en cada cuadro. Luego utiliza estos datos para entrenar una red neuronal para aproximar el Jacobiano: la función matemática que relaciona las velocidades de las articulaciones con los cambios en la posición del efector final del robot. Al aprender este mapeo, la red captura la estructura cinemática del robot. Una vez completado el entrenamiento, el robot entra en la fase de control. Ahora, cuando la cámara observa el estado actual del robot, la red puede predecir cómo pequeños cambios en cada articulación moverán el brazo o la pierna del robot. Esto permite al controlador calcular los comandos de articulación necesarios para alcanzar una posición objetivo. Porque el sistema se basa solo en la entrada visual, es robusto a cambios en la distribución de masa del robot o desgaste mecánico menor que normalmente requerirían recalibración.

Beneficios y Aplicaciones

Las implicaciones de NJF van más allá de la curiosidad académica. Al eliminar la necesidad de codificadores en cada articulación, los robots pueden hacerse más ligeros, económicos y duraderos. Un brazo robótico en una fábrica podría seguir operando incluso si algunos sensores fallan, porque puede confiar en su modelo aprendido para inferir su estado. Para tareas que se desarrollan en entornos impredecibles, como búsqueda y rescate, exploración espacial o recolección agrícola, la capacidad de adaptarse sin recalibración manual es crucial. NJF también abre la puerta a nuevas morfologías de robots. Los diseñadores pueden experimentar con robots blandos o modulares cuya forma cambia con el tiempo, sabiendo que la máquina puede aprender la dinámica de su propio cuerpo a través de la visión. En la educación y la robótica de hobby, los estudiantes pronto podrán construir robots económicos que aprendan a controlarse a sí mismos con solo una cámara web.

Perspectivas Futuras

Aunque NJF sigue siendo un prototipo de investigación, sus creadores son optimistas sobre su futuro. Los próximos pasos incluyen mejorar la eficiencia del proceso de aprendizaje y extender el método a robots con articulaciones más complejas y componentes flexibles. Integrar NJF con sensores táctiles y otras modalidades podría dar a los robots un sentido más completo de sus cuerpos, acercándose a la propiocepción que poseen los animales. Si tiene éxito, técnicas de control basadas en visión como los Campos Jacobianos Neuronales podrían cambiar fundamentalmente cómo diseñamos y desplegamos máquinas autónomas, haciéndolas más adaptables, resilientes y capaces de trabajar junto a los humanos en el mundo real.

Fuente: MIT News