💻 computer science

RIO: Flexible Real-Time Robot I/O for Cross-Embodiment Robot Learning

Este artículo presenta RIO, un framework de Python de código abierto diseñado para superar la infraestructura robótica fragmentada mediante la provisión de componentes flexibles y ligeros para el control y la gestión de datos en diversas plataformas de hardware, permitiendo así un entrenamiento y despliegue eficientes de modelos de visión-lenguaje-acción de última generación a través de diferentes corporalidades.

Autores originales: Pablo Ortega-Kral, Eliot Xing, Arthur Bucker, Vernon Luk, Junseo Kim, Owen Kwon, Angchen Xie, Nikhil Sobanbabu, Yifu Yuan, Megan Lee, Deepam Ameria, Bhaswanth Ayapilla, Jaycie Bussell, Guanya Shi, Jon

Publicado 2026-05-13

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Pablo Ortega-Kral, Eliot Xing, Arthur Bucker, Vernon Luk, Junseo Kim, Owen Kwon, Angchen Xie, Nikhil Sobanbabu, Yifu Yuan, Megan Lee, Deepam Ameria, Bhaswanth Ayapilla, Jaycie Bussell, Guanya Shi, Jonathan Francis, Jean Oh

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 estás intentando enseñar a un robot a realizar tareas domésticas, como doblar una camisa o fregar un plato. En el mundo de la robótica, esto es actualmente como intentar enseñar a un niño a hablar todos los idiomas diferentes del mundo, pero con un inconveniente: cada vez que cambias a un robot diferente (un "cuerpo" o "encarnación" distinta), tienes que reaprender completamente cómo comunicarte con él.

Si tienes un brazo robótico de una empresa y una cámara de otra, el código que hace que funcionen juntos suele ser un caos de instrucciones personalizadas. Si quieres cambiar a un brazo robótico diferente, no puedes simplemente intercambiar la pieza; a menudo tienes que reescribir desde cero todo el "cerebro" del robot. Esto hace que compartir avances entre científicos sea increíblemente difícil y lento.

Presentamos RIO (Robot I/O).

Piensa en RIO como un traductor universal y un sistema modular de "conectar y usar" para robots. Es un conjunto de herramientas de software ligero que permite a los investigadores combinar y intercambiar diferentes partes de robots sin tener que reescribir el código cada vez.

Así es como funciona, utilizando algunas analogías sencillas:

1. El enfoque de "Lego" (Flexibilidad)

Imagina que tienes una caja de bloques de Lego. Algunos son brazos robóticos, otros son pinzas (manos), algunos son cámaras y otros son controladores de teleoperación (las cosas que usan los humanos para mover el robot).

Sin RIO: Tienes que pegar los bloques juntos con pegamento súper fuerte y permanente. Si quieres cambiar el brazo, tienes que desarmar todo y empezar de nuevo.
Con RIO: Los bloques tienen conectores estándar. Puedes encajar un "brazo Franka" en una "pinza Robotiq" o un "auricular de realidad virtual" en un "robot humanoide" simplemente cambiando un archivo de configuración. La lógica central (el "cerebro" que le dice al robot qué hacer) permanece exactamente igual; solo cambia el "cuerpo".

2. La "regleta universal" (Middleware)

Los robots necesitan comunicarse entre sí a la velocidad de la luz. Por lo general, diferentes partes hablan diferentes "idiomas" (protocolos).

La solución de RIO: Actúa como una regleta inteligente o un adaptador universal. Se sitúa entre el hardware del robot y el software. Ya sea que estés utilizando una conexión de memoria compartida de alta velocidad (como dos personas susurrando directamente en la misma habitación) o una conexión de red (como hablar por internet), RIO maneja la traducción automáticamente. Esto significa que puedes cambiar el método de comunicación sin modificar el código del robot.

3. El control remoto de "Teleoperación"

Para enseñar a un robot, los humanos a menudo lo "teleoperan", lo que significa que usan un controlador y mueven el robot con sus propias manos.

RIO soporta una gran variedad de estos controladores: desde teclados y mandos de juegos simples hasta auriculares de realidad virtual de alta tecnología (como Apple Vision Pro) y brazos robóticos especializados que imitan el movimiento humano.
El documento muestra que puedes usar el mismo software para controlar un solo brazo robótico, un robot de dos brazos o incluso un robot humanoide a tamaño completo caminando, simplemente cambiando el controlador y el cuerpo del robot.

4. El "repartidor inteligente" (Inferencia de políticas)

Una vez que el robot está entrenado, necesita tomar decisiones (como "agarrar la taza") y moverse. Esto se llama "inferencia".

RIO está diseñado para ser rápido. Separa el "pensar" (ejecutar el modelo de IA) del "hacer" (enviar comandos a los motores).
El documento compara RIO con otro sistema popular llamado LeRobot. Descubrieron que RIO es mucho más rápido para llevar un comando desde la cámara hasta la mano del robot.
- LeRobot: Tomó aproximadamente 581 milisegundos (mucho tiempo en velocidad robótica).
- RIO: Tomó solo 130 milisegundos.
- Analogía: Si LeRobot es como enviar una carta por correo, RIO es como enviar un mensaje de texto. Esta velocidad es crucial para tareas dinámicas, como voltear una tortilla o lanzar una pelota, donde un retraso de una fracción de segundo provoca el fallo.

¿Qué hicieron realmente?

Los autores no solo construyeron la herramienta; la probaron en el mundo real. Utilizaron RIO para:

Recopilar datos mediante humanos que controlaban robots para realizar tareas domésticas (doblado de camisas, fregado de platos, recogida de cajas).
Entrenar modelos avanzados de IA (como π0.5 y GR00T) con estos datos.
Desplegar estos modelos entrenados en tres tipos muy diferentes de robots:
1. Robots de brazo único (como un brazo de fábrica estándar).
2. Robots bimanuales (robots con dos brazos).
3. Humanoides (robots que se parecen y caminan como humanos).

Lograron que estos robots doblaran ropa, recogieran objetos e incluso caminaran, demostrando que la misma pila de software puede impulsar hardware completamente diferente.

La conclusión

El documento argumenta que el mayor cuello de botella en el aprendizaje robótico no es solo tener más datos o mejores modelos de IA; es la infraestructura. Los científicos están perdiendo actualmente demasiado tiempo construyendo "cableado" personalizado para cada nuevo robot.

RIO es una herramienta gratuita y de código abierto que proporciona el "cableado" de una vez por todas. Permite a la comunidad robótica dejar de reinventar la rueda y comenzar a centrarse en enseñar a los robots a hacer cosas más complejas y útiles, independientemente de cómo se vea el robot.

Resumen Técnico: RIO – E/S de Robot en Tiempo Real Flexible para Aprendizaje Robótico Trans-Encarnación

Enunciado del Problema

A pesar de los avances recientes en modelos Visión-Lenguaje-Acción (VLA) y la agregación de conjuntos de datos a gran escala y multi-encarnación (por ejemplo, Open X-Embodiment), el despliegue de políticas robóticas generalistas sigue obstaculizado por una infraestructura fragmentada. El código robótico actual suele ser altamente específico para la configuración exacta del hardware del usuario, generando una sobrecarga significativa al intentar reutilizar, compartir o adaptar artefactos entre diferentes plataformas.

El problema central es la falta de una infraestructura robótica de pila completa flexible, reutilizable y de alto rendimiento. Los investigadores a menudo enfrentan la carga de reescribir pilas de control completas al cambiar entre morfologías robóticas (por ejemplo, de un brazo único a un humanoide) o configuraciones de hardware (por ejemplo, diferentes pinzas o cámaras). Esta fragmentación impide el progreso acumulativo observado en otras áreas del aprendizaje automático, donde las abstracciones de alto nivel permiten una iteración rápida sobre hardware diverso. En consecuencia, reproducir resultados a menudo requiere replicar configuraciones de hardware uno a uno, o emprender un esfuerzo de ingeniería sustancial para adaptar políticas aprendidas a nuevas plataformas.

Metodología: El Marco RIO

Para abordar estos desafíos, los autores presentan RIO (E/S de Robot), un marco ligero y de código abierto en Python diseñado para proporcionar E/S flexible y en tiempo real para el aprendizaje robótico trans-encarnación. RIO no es una solución monolítica, sino un conjunto de bloques de construcción reutilizables que permiten a los usuarios componer pilas de control adaptadas a sus configuraciones específicas.

Filosofía de Diseño

RIO se basa en cinco principios:

Flexible: Agnóstico a los componentes; los usuarios pueden elegir y cambiar entre opciones en cada capa (robots, sensores, teleoperación, middleware, políticas) con una mínima reconfiguración.
Reutilizable: Compuesto por bloques de construcción ligeros que pueden combinarse rápidamente.
Accesible: Rápido de instalar, basado en Python y controlado mediante un único archivo de configuración y CLI.
De alto rendimiento: Capaz de control en tiempo real de alta frecuencia con inferencia de políticas asíncrona.
Consistente: Garantiza la recopilación de datos y el aprendizaje escalables y reproducibles.

Arquitectura del Sistema

El marco utiliza una arquitectura basada en nodos donde cada componente (interfaces de teleoperación, sensores, robots, políticas) se implementa como un Nodo que hereda de una plantilla común.

Nodos y Middlewares: Los nodos heredan dinámicamente de un Middleware especificado (por ejemplo, Memoria Compartida, Zenoh, ZeroRpc, Hilos, Portal) que maneja el paso de mensajes. Los nodos admiten tres patrones de ejecución: solo publicación, solo solicitud o combinado. Esta abstracción permite que la misma lógica se ejecute en diferentes capas de transporte (por ejemplo, memoria compartida local para depuración frente a basada en red para robots distribuidos).
Estaciones Robóticas: La instanciación de todos los nodos para un entorno específico se agrupa en un único archivo de configuración de "estación" (un dataclass composible). Esto define la topología del hardware (por ejemplo, {brazo, pinza, cámara_de_muñeca}). El bucle de control principal interactúa solo con APIs de alto nivel, desacoplando la lógica de la aplicación de los detalles del hardware.
Teleoperación y Recopilación de Datos: RIO admite diversos métodos de teleoperación, incluido el control relativo del efector final (Spacemouse, Gamepad), el mapeo absoluto de articulaciones (Líder-Seguidor/ALOHA) y la reorientación basada en RV para humanoides. Los datos se recopilan en un formato estandarizado estilo RLDS con unidades consistentes (metros/radianes) y se comprimen utilizando RoboDM para un almacenamiento eficiente.
Inferencia de Políticas: Una API de alto nivel permite el intercambio transparente de políticas (VLA, Políticas de Difusión, RL). Un nodo envoltorio de políticas maneja la inferencia asíncrona, convirtiendo las observaciones estandarizadas a formatos específicos de la política y suavizando las acciones antes de enviar comandos al hardware.

Contribuciones Clave

Marco RIO: Introducción de un marco flexible de E/S de Robot en tiempo real que proporciona infraestructura reutilizable para la recopilación de datos y el despliegue de políticas en diversas encarnaciones. Permite la configuración combinatoria de robots, sensores, dispositivos de teleoperación y políticas.
Validación a través de Morfologías: Demostración de la capacidad de RIO para admitir flujos de trabajo de despliegue VLA en tres morfologías distintas (brazo único, bimanual, humanoide) y cuatro plataformas de hardware con diferentes pinzas y cámaras.
Despliegue en el Mundo Real: Ajuste fino y despliegue exitoso de VLA de última generación (específicamente $\pi0.5$ y GR00T) y otras políticas (Política de Difusión, PPO) en tareas domésticas (agarrar y colocar, doblar, fregar un tazón) y tareas de locomoción. Esto incluye una política trans-encarnación entrenada con datos mixtos de dos morfologías robóticas diferentes.

Resultados y Evaluación

Los autores evaluaron RIO en un escritorio equipado con una NVIDIA RTX 4090, centrándose en el rendimiento, la latencia y las tasas de éxito en diversas tareas.

Rendimiento de la Política:
- Brazo Único (xArm7): $\pi0.5$ logró >90% de éxito en tareas de doblado y agarrar/colocar. La Política de Difusión logró un 66.7% de éxito en el volteo dinámico de tortillas y un 100% en el lanzamiento de pelotas.
- Bimanual (SO-100): $\pi0.5$ logró $\ge$ 60% de éxito en el doblado de telas y el fregado de tazones.
- Humanoide (Unitree G1, Booster T1): GR00T N1.5 logró un 95% de éxito en el agarrado de cajas. Las políticas RL-PPO controlaron con éxito la locomoción en ambas plataformas.
Latencia y Rendimiento:
- Latencia del Middleware: La Memoria Compartida y Zenoh lograron una latencia de ida y vuelta submilisegundo (~0.4–0.5 ms), mientras que Hilo y ZeroRpc se mantuvieron cerca en ~1 ms.
- Latencia de Extremo a Extremo: RIO logró una latencia de observación a acción de 130.3 ms en comparación con 581.2 ms para LeRobot bajo condiciones idénticas. Esta eficiencia se atribuye a la arquitectura optimizada de RIO y a la inferencia asíncrona basada en middleware directo, evitando la sobrecarga de servidores de políticas dedicados.
- Utilización de Recursos: La inferencia asíncrona mantuvo una alta utilización de la GPU (hasta ~80%) durante toda la ejecución, demostrando una saturación de cómputo eficiente.

Significado y Afirmaciones

El artículo postula que la falta de infraestructura flexible y reutilizable es una barrera crítica para el progreso acumulativo en robótica. Al proporcionar un enfoque de "trae tu propia pila de entrenamiento", RIO reduce la barrera para que los practicantes desplieguen, evalúen e iteren enfoques modernos de aprendizaje robótico en hardware diverso.

Los autores afirman que RIO abstrae con éxito la lógica del usuario, permitiendo que se escriba una vez y se reutilice en cualquier estación robótica. Cambiar hardware o políticas se convierte en un cambio de configuración en lugar de una reescritura de código. Si bien el trabajo actual se centra en el ajuste fino de una sola encarnación y reconoce que la generalización trans-encarnación sigue siendo un problema de investigación abierto, el marco está diseñado para facilitar la recopilación de datos trans-encarnación de alta calidad y estandarizados, que es un prerrequisito para los avances futuros en políticas robóticas generalistas. Los autores hacen de código abierto el marco para acelerar el ritmo del aprendizaje robótico en hardware del mundo real.