💻 computer science

Effective Task Planning with Missing Objects using Learning-Informed Object Search

Este artículo presenta un marco de planificación de tareas para robots móviles que supera la limitación de desconocimiento de la ubicación de objetos mediante la integración de acciones de búsqueda informadas por aprendizaje (LIOS) en planificadores clásicos, logrando así un rendimiento superior tanto en simulaciones como en entornos reales.

Autores originales: Raihan Islam Arnob, Max Merlin, Abhishek Paudel, Benned Hedegaard, George Konidaris, Gregory J. Stein

Publicado 2026-02-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Raihan Islam Arnob, Max Merlin, Abhishek Paudel, Benned Hedegaard, George Konidaris, Gregory J. Stein

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un robot doméstico muy inteligente, pero tienes un problema: no sabes dónde están las cosas. Tu misión es preparar el desayuno o hacer un café, pero no tienes un mapa que diga "el café está en la taza" o "la leche está en la nevera". Solo sabes que algo de café y leche existen en la casa, pero podrían estar en cualquier cajón, alacena o debajo del sofá.

Este es el desafío que resuelve el artículo que me has pasado. Aquí te explico cómo lo hacen, usando una analogía sencilla: El Chef con un Asistente Mágico.

1. El Problema: El Chef que se queda atascado

Antes de este trabajo, los robots funcionaban como un chef que sigue una receta perfecta, pero solo si tiene todos los ingredientes a la vista en la encimera.

Si la receta dice: "Coge el huevo y haz un revuelto", el robot lo hace.
Pero si el huevo no está en la encimera (está en la nevera o en un cajón), el robot se bloquea. No sabe qué hacer porque su "cerebro" (el planificador) asume que todo está donde debería estar.

Los robots anteriores intentaban buscar cosas de dos formas:

Opción A (El robot tonto): Buscar en el cajón más cercano primero, luego en el siguiente, sin pensar. Es como si un niño buscara sus juguetes en el suelo sin mirar, solo dando vueltas.
Opción B (El robot que lo piensa todo): Intentar calcular todas las posibilidades de dónde podría estar cada cosa al mismo tiempo. Esto es tan complicado que el robot se queda "pensando" eternamente y nunca se mueve.

2. La Solución: El "Asistente Mágico" (LIOS)

Los autores crearon algo genial: un Asistente Mágico llamado LIOS (Búsqueda de Objetos Informada por Aprendizaje).

Imagina que tienes un asistente que conoce la casa mejor que nadie porque ha visto miles de casas similares.

Cuando el robot necesita un objeto (digamos, una tostadora), no le dice al robot: "Ve a buscarla".
En su lugar, el asistente le dice: "Ve a la cocina, abre el cajón de los electrodomésticos. Hay un 80% de probabilidad de que esté ahí. Si no está, ve al siguiente lugar. El viaje completo te costará X minutos".

3. ¿Cómo funciona la magia? (La analogía del "Paquete de Tarea")

Aquí está la parte más inteligente del papel. El robot principal (el "Chef") no quiere lidiar con la incertidumbre (no sabe si encontrará la tostadora o no). Quiere un plan simple y seguro.

Para solucionar esto, los autores crearon un comando especial llamado find (encontrar).

Para el robot principal, este comando parece mágico y seguro: "Si le das la orden find(tostadora), la tostadora aparecerá en tu mano en un lugar específico". El robot no tiene que preocuparse por cómo se busca, solo por cuándo pedirlo.
Pero por detrás de escena, el Asistente Mágico (LIOS) es quien hace el trabajo sucio. Usa lo que ha aprendido (inteligencia artificial) para predecir dónde está la cosa y calcula cuánto tiempo tardará en encontrarla.

La analogía de la "Caja Negra":
Imagina que le pides a un amigo que te traiga un libro de la biblioteca.

Sin el sistema: Tu amigo tendría que decidir en cada paso: "¿Voy al pasillo A? ¿O al B? ¿Y si no está?". Se confunde.
Con el sistema: Tu amigo te entrega una "caja negra" que dice: "Si me das esta caja, te traeré el libro en 5 minutos". Tu amigo (el planificador) solo decide qué caja pedir y cuándo, sin preocuparse por el camino. La caja negra ya sabe el camino más rápido.

4. ¿Por qué es mejor que los demás?

El papel compara su método con otros y gana por dos razones:

Sabe qué buscar primero:
Imagina que necesitas un huevo o una manzana.
- Un robot "tonto" buscaría el huevo primero porque está más cerca, aunque la manzana esté en la cocina y el huevo en el sótano lejano.
- Nuestro robot calcula el coste total. Piensa: "Si busco la manzana primero, tardaré 2 minutos. Si busco el huevo, tardaré 10. Mejor busco la manzana primero". ¡Gana tiempo!
Sabe cuándo buscar:
A veces es mejor hacer otras cosas antes de buscar. El robot decide: "Primero voy a encender la cafetera (que ya sé dónde está), y mientras se calienta, envío al asistente a buscar el azúcar". Mezcla la búsqueda con la ejecución de tareas.

5. Resultados en la vida real

Probaron esto en una casa simulada (como un videojuego realista) y con un robot real (un perro robot de Boston Dynamics llamado Spot).

En la casa real, el robot tenía que llevar una botella de agua a la cocina y un teléfono a la cama.
Los robots "tontos" buscaban en todos los cajones de la casa (9 lugares) y tardaban mucho.
El robot con el Asistente Mágico solo buscó en 2 lugares y terminó la tarea casi la mitad de tiempo.

En resumen

Este trabajo es como darle a un robot un instinto de detective combinado con un planificador estratégico.

No pierde tiempo buscando a ciegas.
No se bloquea si no sabe dónde está algo.
Usa lo que ha aprendido de casas anteriores para adivinar dónde están las cosas y calcula la ruta más eficiente antes de moverse.

Es la diferencia entre un robot que se pierde buscando las llaves y un robot que dice: "Seguro que están en el perchero, voy rápido, las traigo y sigo preparando el desayuno".

Resumen Técnico: Planificación de Tareas con Objetos Desconocidos

1. El Problema

La planificación de tareas para robots móviles a menudo asume un conocimiento completo del entorno. Sin embargo, en escenarios reales (como el hogar), los objetos críticos para la tarea suelen tener ubicaciones desconocidas o estar ocultos dentro de contenedores.

Limitaciones actuales: Los planificadores clásicos (basados en PDDL) no pueden operar bajo incertidumbre porque asumen efectos deterministas. Por otro lado, los enfoques de búsqueda de objetos basados en aprendizaje (Machine Learning) son efectivos para localizar objetos, pero funcionan como módulos independientes y no se integran fácilmente en planificadores de alto nivel que deben decidir qué objeto buscar, cuándo buscarlo y en qué orden para minimizar el costo total.
Desafío central: Cómo integrar la búsqueda estocástica (no determinista) de objetos faltantes en un marco de planificación determinista eficiente, permitiendo al robot razonar sobre la incertidumbre sin perder la compatibilidad con solvers de planificación optimizados.

2. Metodología Propuesta

Los autores proponen un marco de planificación centrado en acciones de búsqueda de objetos informadas por aprendizaje (LIOS - Learning-Informed Object Search). La estrategia se basa en tres pilares fundamentales:

Abstracción de la Acción "Find" (Encontrar):
- Se introduce una nueva acción de alto nivel llamada find en el lenguaje de planificación (PDDL).
- Esta acción se trata como determinista para el planificador de alto nivel, aunque internamente encapsula la estocasticidad de la búsqueda.
- La acción find(objeto, inicio, destino) implica: iniciar en una ubicación, buscar el objeto en contenedores hasta encontrarlo, recogerlo y moverse al destino.
- Postcondiciones deterministas: Al finalizar la acción, el robot está en el destino, sosteniendo el objeto y el objeto se considera "encontrado".
Política de Búsqueda LIOS (Model-Based Learning-Informed):
- Para instanciar la acción find, se utiliza una política de búsqueda que combina predicciones de aprendizaje con planificación basada en modelos.
- Aprendizaje: Un modelo entrenado estima la probabilidad ( $P_{FOUND}$ ) de encontrar un objeto específico en cada contenedor no buscado, basándose en características semánticas del entorno (tipo de habitación, contenedor y objeto).
- Cálculo de Costo Esperado: Se utiliza una ecuación de Bellman para calcular el costo esperado ( $Q_{\pi_o}$ $Q_{π_{o}}$ ) de la política de búsqueda. Esta ecuación considera:
  - Costo de movimiento y búsqueda.
  - Probabilidad de éxito en cada contenedor.
  - Costo futuro si el objeto no se encuentra (replanificación).
- Esto permite generar una política de búsqueda óptima que minimiza el costo esperado de encontrar el objeto.
Planificación y Replanificación:
- El planificador de alto nivel (ej. FASTDOWNWARD) utiliza los costos esperados calculados por LIOS como el costo de la acción find.
- Esto permite al planificador decidir estratégicamente:
  1. Qué objeto buscar primero.
  2. Cuándo iniciar la búsqueda en el plan general.
- Durante la ejecución, el robot replanifica a medida que descubre nuevos objetos o confirma la ausencia de objetos en los contenedores, actualizando el mapa parcial y las probabilidades.

3. Contribuciones Clave

Acción find Determinista: Un nuevo abstracción que encapsula la incertidumbre de la búsqueda de objetos, permitiendo la compatibilidad con solvers de planificación clásicos y optimizados (PDDL).
Política LIOS: Un enfoque novedoso que integra modelos de aprendizaje profundo (para estimar probabilidades de ubicación) con planificación basada en modelos para generar políticas de búsqueda eficientes y calcular costos esperados precisos.
Razonamiento sobre la Incertidumbre: El sistema no solo busca objetos, sino que decide qué buscar y cuándo basándose en el costo global de la tarea, superando las estrategias "greedy" (codiciosas) que buscan el objeto más cercano sin considerar la probabilidad de éxito o el impacto en el plan global.
Validación en Entornos Reales y Simulados: Demostración exitosa en entornos simulados (PROCTHOR) y en el mundo real utilizando el robot Spot de Boston Dynamics.

4. Resultados Experimentales

Los experimentos se realizaron en tareas de recuperación de objetos y preparación de comidas (café, desayuno) en entornos domésticos.

Búsqueda de Objetos (Aislada):
- La estrategia LIOS superó a una línea base "Greedy" (que busca el contenedor más cercano) en un 59.9% en términos de reducción de costo, encontrando objetos más rápido al priorizar contenedores con mayor probabilidad de éxito.
Planificación de Tareas Complejas:
- ModelLIOS (el enfoque completo que usa LIOS + costos esperados modelados) superó consistentemente a las líneas base en todas las escenarios (Entrega de 3 objetos, Desayuno, Café, Desayuno+Café).
- En la tarea "Entrega de 3 Objetos", ModelLIOS logró un costo promedio significativamente menor (94.58 vs 133.89 de la línea base Greedy) y una tasa de éxito del 97%.
- En la tarea "Cualquiera de Tres" (Any-of-Three), donde el robot puede elegir entre tres objetos, el sistema fue capaz de identificar y recuperar el objeto más fácil de encontrar primero, minimizando el costo total, algo que las líneas base no lograron hacer eficientemente.
Experimentos en Mundo Real (Spot Robot):
- En configuraciones reales, el enfoque ModelLIOS redujo drásticamente el tiempo de ejecución y el número de contenedores inspeccionados.
- Ejemplo: En una configuración específica, mientras las líneas base inspeccionaron 6-9 contenedores y tardaron más de 260s, ModelLIOS completó la tarea inspeccionando solo 2 contenedores en 174s, gracias a su capacidad de razonamiento a largo plazo sobre dónde buscar primero.

5. Significado e Impacto

Este trabajo es significativo porque cierra la brecha entre la planificación simbólica clásica (eficiente pero rígida) y la percepción/acción basada en aprendizaje (flexible pero difícil de integrar).

Compatibilidad: Permite utilizar herramientas de planificación maduras (como FASTDOWNWARD) en entornos parcialmente observables sin necesidad de reformular todo el problema como un MDP parcial (POMDP), lo cual es computacionalmente prohibitivo en escalas grandes.
Eficiencia: Al predecir costos esperados, el robot evita búsquedas innecesarias y optimiza el orden de las tareas, lo cual es crucial para robots de servicio en el hogar que deben operar de manera autónoma y eficiente.
Escalabilidad: El enfoque demuestra ser escalable a tareas complejas de largo horizonte (como preparar una comida completa) donde la ubicación de los ingredientes es desconocida.

En conclusión, el marco propuesto permite a los robots móviles planificar y ejecutar tareas complejas en entornos no estructurados, razonando eficazmente sobre la incertidumbre de la ubicación de los objetos mediante la integración de aprendizaje y planificación determinista.