El “touch dreaming”, la técnica de inteligencia artificial que permite a los robots emular y predecir el tacto Infobae
Un equipo de investigadores de la Universidad Carnegie Mellon y el Bosch Center for AI desarrolló un sistema de inteligencia artificial que incrementa 90,9% la tasa de éxito en tareas manuales complejas de robots humanoides —una diferencia considerable frente a los modelos previos— con potencial para transformar su uso en entornos domésticos e industriales. El logro, según informó el portal especializado en tecnología TechXplore, podría impulsar la adopción real de estas máquinas en entornos cotidianos y profesionales, donde la manipulación eficiente y precisa de objetos es un requisito esencial.
El sistema, denominado Humanoid Transformer with Touch Dreaming (HTD), fue probado en cinco tareas de laboratorio —desde el plegado de toallas y la organización de libros hasta el servicio de té— con resultados que superan de modo considerable a los controladores tradicionales. Las pruebas revelaron que anticipar señales táctiles en un espacio latente produjo 30% más de éxitos frente a métodos que emplean datos táctiles sin procesar, y que incorporar directamente las señales de contacto resulta insuficiente si no se las integra de forma predictiva.
Cómo HTD replica la coordinación sensorial humana
La investigación parte de una observación central: las personas logran manipular objetos al combinar coordinación corporal completa, uso preciso de las manos y anticipación sensorial sobre cómo evolucionarán los contactos durante cada movimiento. Yaru Niu, autor principal del estudio y doctorando en el laboratorio Safe AI Lab de la Universidad Carnegie Mellon, explicó: “Cuando realizamos tareas cotidianas como plegar tela, insertar objetos, acarrear lo frágil o recoger con una pala, no solo vemos: coordinamos postura, movimientos de la mano y predicciones sobre el contacto”.
El equipo identificó que los robots humanoides actuales fallan en esta integración sensorial-motriz, lo que limita su eficacia para tareas que exigen mantener el equilibrio mientras manipulan objetos difíciles o frágiles. Para superar esas barreras, los investigadores diseñaron el sistema con sensores táctiles distribuidos y un enfoque de aprendizaje por imitación, combinados con predicción de señales de contacto futuras, una técnica bautizada como touch dreaming. Con ello, la inteligencia artificial no solo decide qué acciones ejecutar, sino que anticipa cómo variarán las fuerzas y señales táctiles mientras interactúa con su entorno.
El diseño separa la gestión del equilibrio —a cargo de un controlador para la parte inferior del cuerpo— de la manipulación fina en la mano, resuelta con técnicas de retargeting y cinemática inversa para el torso y los brazos. Cada módulo se enfoca en objetivos concretos: el primero en la estabilidad, el segundo en la precisión manual.
Pruebas, arquitectura y próximos pasos del equipo
En los experimentos, el modelo HTD fue entrenado con una estrategia maestro-estudiante en la que el agente maestro dispone de información privilegiada en la simulación, mientras el estudiante aprende a actuar solo a partir de datos realistas de sensores. La arquitectura reduce la interferencia entre el control de la postura y la manipulación, lo que permite un desempeño robusto frente a perturbaciones habituales. El sistema demostró capacidades avanzadas tanto en teleoperación humana como en modalidad autónoma.
“Nuestro sistema combina un controlador completo para el cuerpo basado en aprendizaje por refuerzo, cinemática inversa superior, retargeting para manipulación manual, teleoperación en realidad virtual y sensores táctiles distribuidos. De este modo, logramos reunir datos de alta calidad en tareas que requieren contacto constante”, señalaron Niu y Ding Zhao, profesor asociado y director del Safe AI Lab de la Universidad Carnegie Mellon.
Jonathan Francis, coautor, responsable del Robot Learning Lab en Bosch Center for AI y profesor afiliado en el Instituto de Robótica de Carnegie Mellon, subrayó la importancia del enfoque sensorial: “Si queremos que estos robots trabajen en el mundo real, necesitan no solamente mejor visión y generación de movimientos, sino modelos de aprendizaje profundamente conscientes del contacto”.
El código fuente de parte del sistema HTD fue publicado en repositorios abiertos para facilitar estudios complementarios. El equipo busca profundizar en la transferencia e interpretación física del espacio latente táctil, generalizar el modelo a robots con diversas morfologías y sensores, y explorar la colaboración humano-robot a mayor escala. La meta de largo plazo es desarrollar sistemas de manipulación robustos y escalables capaces de aprender de la experiencia humana y robótica para adaptarse a tareas cada vez más complejas en entornos reales.
