Los robots no siempre saben que una pared de cristal existe y eso es un problema

Hay algo que damos por hecho al caminar por una oficina: aunque podamos ver lo que hay al otro lado de una mampara de cristal, sabemos que no podemos atravesarla. Parece una distinción demasiado sencilla como para tener que explicarla. Sin embargo, cuando quien recorre ese mismo espacio es un robot, la transparencia puede convertirse en un problema de percepción. Es una de esas dificultades que apenas advertimos en nuestra vida cotidiana, pero que nos recuerda que reconocer un entorno puede ser bastante más complicado para una máquina de lo que imaginamos.

Cuando el plano deja de ser fiable. Un robot que circula por un edificio necesita convertir lo que captan sus sensores en información sobre el espacio que lo rodea. El cristal puede introducir errores en ese proceso, de modo que una ruta aparentemente despejada no siempre coincide con los obstáculos reales. Para afrontar esa dificultad, Naitri Rajyaguru y sus colaboradores en la Universidad de Maryland desarrollaron PolarDepth, un método para mejorar las estimaciones de profundidad y movimiento. 

Un material, dos trampas ópticas. Pensemos en una sala de reuniones acristalada: una cámara puede mostrar sillas y mesas como si nada interrumpiera la vista, porque el vidrio apenas aporta textura propia. Si cambia la posición de la cámara, también pueden cambiar los reflejos que aparecen sobre esa misma superficie. Los sensores láser afrontan una dificultad distinta: parte de la señal puede atravesar el vidrio y reflejarse en objetos situados detrás, mientras que otra parte puede desviarse sin regresar al receptor. Todo depende, entre otros factores, del ángulo de incidencia y las características del material.

Hay otra forma de interpretar la luz. Las cámaras convencionales registran información sobre el color y la intensidad de la luz, pero existe una propiedad adicional que también puede ayudarnos a comprender una escena. Se llama polarización y describe cómo están orientadas las oscilaciones de la luz. Cuando esta se refleja en una superficie, su patrón de polarización puede revelar pistas sobre la geometría que una fotografía corriente no permite distinguir fácilmente. Para aprovecharlas hacen falta sensores específicos, capaces de medir esa propiedad y convertirla en información útil para interpretar el entorno.

UN VISTAZO A...

Una cámara para dos miradas. PolarDepth utiliza una única cámara de polarización para obtener una imagen convencional en color y una segunda representación, denominada Polar-RGB, que incorpora información sobre la polarización de la luz. A partir de ambas genera estimaciones independientes de profundidad. Después, un sistema entrenado combina los resultados píxel a píxel, dando más peso a la información que considera más fiable en cada zona. Así puede aprovechar la imagen convencional donde ofrece buenos resultados y recurrir a las pistas adicionales de la polarización en superficies reflectantes, como las mamparas de cristal.

Menos errores al interpretar el espacio. Las pruebas realizadas con PolarDepth incluyeron escenas reales y sintéticas de entornos acristalados, donde los investigadores comprobaron su rendimiento frente a métodos basados exclusivamente en imágenes RGB. Según los autores, los resultados mostraron mejoras tanto en la estimación de distancias como en la odometría visual, que permite calcular el movimiento de una cámara a partir de las imágenes que registra. La diferencia es importante porque ambas capacidades intervienen en la percepción del entorno, aunque todavía hay un límite: estos experimentos no demuestran que la tecnología elimine las colisiones durante la navegación autónoma.

El problema viene de lejos. En 2017, investigadores de la Universidad Tecnológica de Sídney publicaron un estudio sobre cómo reconocer paneles acristalados aprovechando la intensidad de la luz láser reflejada. Incorporaron su método a un sistema de localización y creación de mapas y lo probaron con un robot PR2 en dos edificios de oficinas. Según los autores, consiguieron identificar aproximadamente el 95% de los paneles, sin registrar falsos positivos durante aquellas pruebas. Su enfoque era distinto al de Maryland, pero demuestra que existen otras estrategias para afrontar esta dificultad.

Todavía queda mucho por aprender. Según una investigación de The Information, Tesla ya utiliza unidades de Optimus en zonas controladas de sus fábricas, donde realizan tareas específicas bajo supervisión. Agility Robotics también ha llevado Digit a operaciones logísticas, mientras Boston Dynamics entrena a Atlas para aplicaciones industriales. Son avances que acercan estas máquinas al mundo laboral, pero todavía quedan desafíos importantes: reconocer objetos, manipularlos sin dañarlos, ajustar la fuerza con la que los sujetan y adaptarse a situaciones imprevistas. Porque antes de compartir nuestros espacios con naturalidad, los robots también tendrán que resolver problemas tan elementales como no chocar contra una pared de cristal.

Imagen destacada | Xataka con Nano Banana 

En Xataka | Nokia cree que el mundo se está quedando muy corto construyendo centros de datos