SUPER ODOMETRY 2.0: Resilient Odometry via Hierarchical Adaptation

Los robots, al igual igual que las personas, necesitan saber dónde están y cómo se están moviendo para poder realizar sus tareas. Esta capacidad, conocida como odometría, es el cálculo interno constante de la posición y la orientación que permite a una máquina navegar del punto A al punto B. Durante décadas, los ingenieros han dependido de sensores externos para construir esta imagen del mundo. Las cámaras actúan como ojos, capturando características visuales como esquinas y texturas, mientras que los escáneres láser mapean la geometría de paredes y obstáculos. Estas herramientas funcionan maravillosamente en entornos estructurados, despejados y bien iluminados. Sin embargo, el mundo real suele ser caótico. El humo espeso, la nieve cegadora, los túneles en penumbra o una pérdida repentina de luz pueden cegar a una cámara y dispersar un haz láser. Cuando estos sentidos externos fallan, un robot puede perder rápidamente el rumbo, desviándose de su trayectoria o deteniéndose por completo. Esta fragilidad ha sido durante mucho tiempo una barrera para enviar máquinas autónomas a los lugares más peligrosos o impredecibles, como zonas de desastre o minas subterráneas profundas.

Un equipo de investigadores de la Universidad Carnegie Mellon y la Universidad de Buffalo ha desarrollado un nuevo sistema llamado Super Odometry para resolver este problema. En lugar de depender únicamente de sensores externos que pueden ser fácilmente engañados por el entorno, su sistema aprende a confiar en el sentido interno de movimiento de un robot, de forma muy similar a cómo un humano navega en una habitación oscura sintiendo sus propios pasos. Los investigadores construyeron un marco de trabajo que no solo enciende o apaga sensores, sino que se adapta dinámicamente toda su estrategia basándose en qué tan malas son las condiciones. Probaron este sistema en una flota de robots, incluyendo drones voladores, vehículos con ruedas y máquinas de patas, recorriendo más de 200 kilómetros de terreno desafiante. Los resultados mostraron que el sistema podía mantener una navegación precisa incluso cuando las cámaras y los láseres eran completamente inútiles, como en humo denso o oscuridad total, apoyándose fuertemente en los datos de un sensor de movimiento interno.

El núcleo de este nuevo enfoque es una jerarquía de adaptaciones que entra en juego a medida que las condiciones empeoran. En un entorno normal, el robot utiliza sus cámaras y escáneres láser para rastrear su trayectoria. Pero cuando el aire se llena de humo o la luz se desvanece, el sistema no entra en pánico; simplemente cambia su enfoque. El primer paso es volverse más selectivo sobre qué detalles visuales confía, ignorando las partes borrosas o confusas. Si el entorno se vuelve geométricamente confuso, como un pasillo largo y vacío donde las paredes parecen idénticas, el sistema desplaza su atención hacia las direcciones donde aún puede encontrar información confiable, ignorando las direcciones donde está perdido. Si la degradación es mixta, con algunos sensores fallando mientras otros luchan, el sistema repondera dinámicamente su confianza, dependiendo más del sensor que todavía funciona bien.

La innovación más significativa ocurre cuando todos los sensores externos fallan por completo. En escenarios como una habitación llena de humo denso o una tormenta de nieve, donde ni los ojos ni los láseres pueden ver nada, el sistema recurre a un modelo interno aprendido. Este modelo se basa en una Unidad de Medición Inercial, un pequeño chip dentro del robot que mide la aceleración y la rotación. Históricamente, estos chips eran tratados como herramientas secundarias, utilizadas solo para suavizar los datos de las cámaras. Los investigadores, sin embargo, entrenaron una red de aprendizaje profundo con más de 100 horas de datos de diversos robots, enseñándole a predecir el movimiento puramente a partir de los datos de movimiento internos. Esto permitió al robot estimar su posición incluso cuando no podía ver absolutamente nada. El sistema está diseñado de tal manera que, cuando los sensores externos funcionan, estos enseñan y refinan constantemente este modelo interno. Pero cuando el mundo exterior se vuelve invisible, el modelo interno toma el control, proporcionando un respaldo confiable que mantiene al robot en movimiento.

Para demostrar este concepto, los investigadores sometieron su sistema a una serie rigurosa de pruebas. Condujeron un robot de patas a través de una ruta continua en un campus universitario que incluía más de 13 tipos diferentes de condiciones difíciles. El robot navegó a través de pasillos oscuros y sin rasgos distintivos, escaleras empinadas y áreas con ruido visual intenso como destellos de lente y paredes blancas. Finalmente, el robot entró en una zona llena de humo denso que obstruyó por completo su visión y sus sensores láser. A lo largo de todo su trayecto de 2,966 metros, el sistema nunca falló. Mantuvo un error de posición final de solo 20 centímetros, una tasa de deriva notablemente baja de 0.006 por ciento. Este rendimiento se logró sin utilizar trucos complejos de backend ni esperar para corregir errores después de los hechos; el sistema se corregía a sí mismo en tiempo real mientras se movía.

El equipo también probó la capacidad del sistema para manejar fallos repentinos de sensores. En un experimento, bloquearon físicamente los sensores del robot con cartón, primero cubriendo el lateral, luego el frente y finalmente todas las vistas tanto de la cámara como del escáner láser. El sistema detectó estos bloqueos instantáneamente y ajustó su dependencia de los sensores restantes. Cuando la cámara fue bloqueada, el sistema se apoyó en el escáner láser; cuando el láser fue bloqueado, se apoyó en la cámara. Cuando ambos fueron bloqueados, el modelo de movimiento interno aprendido tomó el mando. El robot continuó mapeando su entorno y rastreando su trayectoria con alta precisión, demostrando que el sistema podía sobrevivir a la pérdida total de la percepción externa durante períodos prolongados.

Una validación adicional provino de probar el sistema en diferentes tipos de robots, desde coches y drones hasta máquinas cuadrúpedas y dispositivos de mano. Los investigadores descubrieron que el modelo de movimiento interno que entrenaron era altamente generalizable. Un modelo entrenado con datos de muchos tipos diferentes de robots funcionaba mejor que los modelos entrenados específicamente para un solo tipo. Esto significaba que el sistema podía desplegarse en un nuevo robot sin necesidad de ser reentrenado desde cero. Aún más impresionante, el sistema podía adaptarse a un robot completamente nuevo en tiempo real. En una prueba que involucró un gran vehículo todoterreno, el sistema utilizó solo 60 segundos de datos para ajustar su modelo interno, aprendiendo los patrones de movimiento específicos del nuevo vehículo e incrementando inmediatamente su precisión.

Los investigadores compararon su método con las mejores tecnologías existentes en el campo. En las pruebas estándar que involucraban degradación geométrica y mixta, su sistema logró una tasa de error promedio un 54 por ciento menor que el segundo mejor método. Más importante aún, mientras que otros sistemas fallaban por completo en las condiciones más extremas, como las pruebas de humo denso, Super Odometry continuó funcionando. El estudio descartó explícamente la idea de que simplemente añadir más sensores o promediar sus datos sea suficiente para resolver estos problemas. En su lugar, demostraron que un enfoque rígido falla cuando el entorno cambia, y que se requiere una estrategia jerárquica y flexible para mantener la seguridad y la funcionalidad.

Este trabajo representa un paso significativo hacia la creación de robots verdaderamente autónomos en el mundo real. Al elevar el sensor de movimiento interno a un papel primordial y crear un sistema que puede cambiar sin problemas entre diferentes estrategias según la gravedad del entorno, los investigadores han construido una base para que los robots puedan operar de forma segura en cualquier condición. Ya sea un dron de rescate volando a través de un edificio lleno de humo, un rover explorando una cueva oscura o un vehículo conduciendo a través de una tormenta de nieve, este sistema asegura que el robot nunca pierda realmente el camino. Los resultados, recopilados a lo largo de 800 horas operativas durante seis años de desarrollo, sugieren que la era de los robots frágiles y dependientes del entorno está llegando a su fin, reemplazada por máquinas que pueden adaptarse y sobrevivir dondequiera que sean enviadas.