Resumen Técnico: SR-Platform

Enunciado del Problema

Escalar el aprendizaje robótico requiere grandes colecciones de entornos de simulación diversos y físicamente plausibles. Sin embargo, la construcción de estos entornos sigue siendo un cuello de botella significativo. Crear una escena de MuJoCo lista para entrenamiento generalmente exige experiencia en modelado de activos 3D, especificación MJCF, distribución espacial, evitación de colisiones e integración de modelos de robots. Aunque los Modelos de Lenguaje Grandes (LLM) han demostrado promesa en el razonamiento semántico y la síntesis de código, los enfoques anteriores a menudo dependen de bibliotecas de objetos fijas, se detienen en descripciones simbólicas o requieren intervención manual antes de la ejecución. En consecuencia, el problema de extremo a extremo de convertir una solicitud de lenguaje natural sin restricciones en una escena de robot válida físicamente y lista para el simulador sigue siendo insuficientemente abordado.

Metodología: SR-Platform

SR-Platform es un sistema de agente desplegado en producción diseñado para sintetizar entornos MuJoCo ejecutables a partir de descripciones de lenguaje natural de forma libre. En lugar de depender de un LLM monolítico, el sistema emplea una tubería de cuatro capas, tipada y auditable, coordinada por un PipelineCoordinator. La arquitectura se despliega como una pila de Docker de nueve servicios que utiliza transmisión WebSocket, MinIO para el almacenamiento de mallas, Qdrant para la recuperación semántica, Redis para la gestión del estado e InfluxDB para la telemetría.

La tubería consta de cuatro etapas distintas:

1. L1: Orquestador
   Esta etapa convierte una solicitud de lenguaje natural del usuario (por ejemplo, "una línea de ensamblaje con una cinta transportadora y un brazo robótico") en un plan de escena JSON estructurado. Define las dimensiones de la habitación, listas de objetos, etiquetas semánticas, la identidad del robot seleccionado y parámetros de anomalía. Implementado como un flujo de trabajo LangGraph, separa la planificación semántica de la generación de geometría para reducir la complejidad del LLM y localizar fallos.

2. L2: Forja de Activos
   La forja de activos resuelve las etiquetas de objetos en mallas 3D compatibles con el simulador (STL). Emplea una estrategia basada en caché:

   • Recuperación Semántica: Las etiquetas de objetos se incrustan y consultan contra una base de datos vectorial Qdrant. Si existe un activo en caché de alta similitud, el STL se carga desde MinIO.
   • Síntesis LLM-a-CadQuery: Si no ocurre un acierto en caché, un LLM genera código CadQuery para sintetizar nueva geometría. Este código se ejecuta para producir una malla STL, que luego se almacena y se indexa para su reutilización futura.
   • Robustez: El sistema incluye validación y mecanismos de reintento automático. Si el código generado está mal formado o la geometría es inválida, el sistema intenta una regeneración o recurre a una geometría simplificada para evitar el fallo del trabajo.

3. L3: Arquitecto de Distribución
   Esta etapa asigna poses espaciales (posición y rotación) a todos los objetos resueltos. Utiliza un modelo de distribución basado en LLM para proponer colocaciones que sean semánticamente plausibles (por ejemplo, mesas en el suelo) y físicamente consistentes (sin superposiciones). Crucialmente, integra un IndustryRulesChecker para verificar restricciones como el espacio libre eléctrico, la salida de emergencia contra incendios, las distancias de seguridad de maquinaria y el espacio libre de ventilación. Las violaciones se devuelven como entradas estructuradas para permitir el re-muestreo o el etiquetado de anomalías.

4. L4: Puente y Ensamblaje MJCF
   La etapa final convierte el plan de escena distribuido en un archivo XML de MuJoCo ejecutable (MJCF). Construye el suelo, las paredes y los cuerpos de los objetos, insertando las mallas STL recuperadas o generadas con sus poses calculadas. Un RobotMerger integra el modelo de robot seleccionado (de un catálogo que incluye UR5, Franka Panda, etc.) en la escena, asegurando la consistencia del marco de coordenadas. Esta etapa es determinista y no invoca LLMs.

Contribuciones Clave

El artículo describe cuatro contribuciones principales:

1. Tubería de Agente de Extremo a Extremo: Un sistema que convierte descripciones de espacios de trabajo en lenguaje natural en escenas MuJoCo ejecutables que contienen modelos de robots, activos de malla, poses de objetos y coordenadas de aparición.
2. Forja de Activos Consciente de Caché: Un mecanismo que combina la recuperación semántica con la generación LLM-a-CadQuery, lo que reduce las llamadas redundantes al LLM para tipos de objetos generados previamente.
3. Verificación de Distribución Industrial: La integración de la verificación de restricciones (espacio libre, seguridad, salida) en el proceso de síntesis de escenas antes del ensamblaje MJCF.
4. Telemetría de Producción: Informes sobre 30 días de datos de producción que cubren 611 llamadas exitosas al LLM, detallando la latencia por etapa, el comportamiento de reintento y los límites de rendimiento.

Resultados Experimentales

El sistema fue evaluado utilizando telemetría de producción de una ventana de despliegue de 30 días.

• Latencia: Para una escena de cinco objetos donde todos los objetos fallan en la caché, la latencia mediana de extremo a extremo es de aproximadamente 50 segundos. Cuando los objetos se recuperan de la caché, la latencia disminuye a 30–40 segundos.
• Rendimiento por Etapa: La Forja de Activos L2 es el contribuyente dominante de latencia. La latencia mediana para una generación de CadQuery de primer intento (skill_generator) es de 17.9 segundos (p95: 65.4s). Las llamadas de reintento son más lentas, con una mediana de 24.4 segundos.
• Fiabilidad: La forja de activos demuestra una tasa de reintento de primer intento del 11.3%. Los fallos se deben principalmente a código CadQuery mal formado o geometría inválida. Los mecanismos automáticos de reintento y fallback permiten que el sistema se recupere sin abortar toda la generación de la escena.
• Rendimiento: El sistema soporta cinco trabajos de generación concurrentes. El rendimiento está limitado por la generación de activos L2, pero puede escalarse horizontalmente añadiendo trabajadores, ya que la arquitectura comparte servicios sin estado (Redis, MinIO, Qdrant).
• Rendimiento del Modelo: Las pruebas de referencia en CAD mecánico y activos de forma libre indican que claude-opus-4-6-fast logra la mayor precisión geométrica para piezas mecánicas, mientras que qwen3-coder-480b ofrece un fuerte equilibrio entre velocidad y costo.

Significado y Afirmaciones

El artículo posiciona a SR-Platform como un paso hacia la creación de una generación de entornos de simulación robótica más escalable y accesible. Al permitir que los usuarios produzcan escenas MuJoCo ejecutables a partir de solicitudes en inglés plano en menos de un minuto, el sistema reduce el esfuerzo manual requerido para construir entornos de entrenamiento diversos.

Los autores enfatizan que el valor del sistema radica en su diseño orientado a producción: no es meramente un prototipo de investigación, sino un servicio desplegado que cuenta con transmisión de progreso en tiempo real, ejecución de trabajos asíncrona, recuperación de activos semánticos y aislamiento de estado por usuario. El artículo afirma que este enfoque de agente, que separa la planificación semántica, la generación de activos, el razonamiento de distribución y el ensamblaje del simulador, permite una mejor caché, depuración y validación que las solicitudes únicas de LLM de extremo a extremo. Además, la inclusión de la verificación de restricciones industriales busca cerrar la brecha entre escenas visualmente plausibles y entornos válidos físicamente y listos para el despliegue.

Los autores notan modestamente las limitaciones, reconociendo que el sistema actualmente se dirige a entornos industriales interiores y semiestructurados y que el código CAD generado por LLM, aunque recuperable, aún no es un compilador determinista garantizado. Se propone trabajo futuro para incluir la generación de imagen-a-3D, backends de física de mayor fidelidad y exportación directa a formatos de conjuntos de datos de aprendizaje robótico.