Los robots son cada vez más capaces de moverse por el mundo, pero darles una lista de instrucciones sobre qué hacer suele ser demasiado rígido para la realidad caótica de un hospital, un almacén o un planeta lejano. Una simple lista podría decir "ve aquí, luego ve allá", pero tiene dificultades con las preguntas del tipo "¿qué pasaría si?" que definen la vida real: ¿Qué pasa si el robot ve un derrame y necesita limpiarlo? ¿Qué pasa si dos tareas deben ocurrir dentro de un intervalo de tiempo específico, pero no necesariamente en un orden fijo? Durante años, los investigadores han utilizado un método llamado órdenes parciales temporizadas para resolver esto. Piense en ello como un diagrama de flujo donde las flechas muestran qué tareas deben ocurrir antes que otras, y los relojes aseguran que ocurran dentro de ciertos límites de tiempo. Este enfoque es claro para los humanos y fácil de procesar para las computadoras, pero tiene un punto ciego. No puede manejar fácilmente reglas de tiempo complejas entre tareas no relacionadas, ni puede decir fácilmente: "Solo realiza este siguiente paso si se cumple una condición específica en el entorno".

Un equipo de investigadores de la Universidad de Colorado Boulder ha desarrollado una nueva forma de cerrar esta brecha, creando un sistema que llaman Órdenes Parciales Temporizadas Condicionales. Este marco permite a los ingenieros escribir misiones robóticas que son mucho más flexibles y realistas. El nuevo sistema puede imponer reglas como: "Estas dos tareas deben ocurrir con veinte minutos de diferencia entre sí, independientemente de cuál ocurra primero", o "Si el robot pasa cerca de un área específica, debe realizar un nuevo conjunto de tareas inmediatamente". Los investigadores demostraron que podían traducir estas misiones condicionales complejas en un problema matemático que una computadora puede resolver para encontrar la ruta más rápida posible. Sin embargo, también descubrieron que, a medida que estas misiones se vuelven más complicadas, el tiempo de cálculo de la computadora puede explotar, volviéndose demasiado lento para ser útil. Para solucionar esto, inventaron un método para dividir la misión masiva y complicada en fragmentos más pequeños e independientes. Resolvieron cada pequeño fragmento por separado y luego unieron las respuestas. Sus pruebas demostraron que este enfoque podía hacer que el proceso de planificación fuera hasta diez mil veces más rápido que intentar resolver toda la misión a la vez, sin sacrificar la calidad del plan.

El núcleo de este trabajo reside en cómo los investigadores expandieron el lenguaje utilizado para hablar con los robots. En su trabajo anterior, la misión de un robot era un mapa estático de eventos. Si una tarea estaba en el mapa, el robot tenía que hacerla. Si existía una regla de tiempo, esta se aplicaba a toda la misión. El nuevo sistema introduce una capa de lógica que reacciona al mundo. Imagine un robot de hospital encargado de recolectar muestras de sangre y entregar los resultados. En el sistema antiguo, el robot seguiría un horario fijo. En el nuevo sistema, se le puede decir al robot: "Si por casualidad pasas cerca del ala de cardiología, también debes recoger un informe de electrocardiograma y entregarlo en un plazo de quince minutos". El robot no necesita saber de antemano dónde está el ala de cardiología; simplemente sigue la ruta y, si se cumple la condición, las tareas adicionales y sus estrictas reglas de tiempo se activan automáticamente. Esto hace que las instrucciones del robot sean mucho más cercanas a cómo un supervisor humano daría órdenes, adaptándose a lo que realmente está sucediendo en el terreno.

Para que esto funcione, los investigadores tuvieron que resolver un rompecabezas matemático difícil. Demostraron que encontrar la mejor ruta para un robot con estas reglas condicionales es lo mismo que resolver un problema de rutas complejo, similar a encontrar la forma más eficiente de visitar un conjunto de ubicaciones con ventanas de tiempo específicas. Tradujeron esto a un formato que las computadoras pueden resolver utilizando una técnica llamada programación lineal de números enteros mixtos. Este método garantiza que el robot encontrará una ruta que satisfaga todas las reglas, pero tiene una desventaja. A medida que el número de tareas y condiciones crece, el tamaño del problema matemático crece tanto que incluso las computadoras potentes pueden quedarse bloqueadas, tardando horas o días en encontrar una respuesta. Este es un cuello de botella común en la robótica: cuanto más flexibles son las instrucciones, más difícil es para la computadora trazar el plan.

La solución de los investigadores fue dejar de intentar resolver todo el problema a la vez. Se dieron cuenta de que muchas misiones están compuestas por grupos de tareas más pequeños y autónomos que están estrechamente vinculados entre sí, pero solo débilmente conectados con el resto de la misión. Por ejemplo, una secuencia de tareas de limpieza desencadenada por un derrame podría ser una unidad autónoma que comienza cuando el robot entra en la zona del derrame y termina cuando sale de ella. Los investigadores desarrollaron un algoritmo para encontrar automáticamente estos grupos, o "subtareas", dentro de la misión más grande. Luego resolvieron el tiempo y la ruta para cada pequeño grupo de forma independiente. Una vez que tuvieron la mejor ruta para cada pequeño grupo, trataron cada grupo como un único paso en la misión más grande, integrando el tiempo que tomó completar dicho grupo. Esto convirtió un rompecabezas masivo e imposible de resolver en una serie de rompecabezas pequeños y fáciles.

Los resultados de este enfoque fueron sorprendentes. En sus pruebas, los investigadores compararon su nuevo método contra la forma antigua de resolver toda la misión a la vez. Para misiones simples, ambos métodos fueron rápidos. Pero a medida que las misiones se volvían más complejas, con más condiciones y reglas de tiempo más estrictas, el método antiguo se ralentizaba drásticamente, a veces tomando minutos o incluso horas. El nuevo método de descomposición, sin embargo, se mantuvo rápido, resolviendo a menudo los mismos problemas en menos de un segundo. En los casos más difíciles, el nuevo método fue hasta diez mil veces más rápido. Crucialmente, los investigadores demostraron matemáticamente que esta velocidad no se debió a un costo en la calidad. Los planes generados al dividir la misión en piezas eran tan buenos como los planes generados al resolver toda la cosa a la vez. Encontraron las mismas rutas óptimas y cumplieron con todas las mismas restricciones de tiempo.

Los investigadores demostraron esto con dos escenarios del mundo real. En uno, un robot en un almacén tenía que visitar tres estanterías y regresar a un muelle. Si el robot tomaba una ruta que cruzaba un derrame de aceite, se le requería detenerse y limpiar tres áreas específicas antes de continuar. El sistema planeó con éxito una ruta que evitaba el derrame si era posible, pero si la ruta más corta requería cruzarlo, el robot insertaba automáticamente la secuencia de limpieza en su plan, asegurando que terminara la limpieza dentro de los plazos requeridos. En un segundo escenario, un rover de Marte tenía que analizar muestras de suelo. Si el rover pasaba por una formación rocosa específica, debía navegar hacia una nueva ubicación y recolectar una muestra dentro de una ventana de tiempo estricta. El sistema planeó una ruta que evitaba la formación rocosa cuando era posible, pero cuando el terreno obligaba al rover a pasar por ella, el plan se adaptaba sin problemas para incluir la tarea de muestreo adicional.

Este trabajo representa un paso significativo hacia la creación de robots más autónomos y adaptables. Al permitir que las especificaciones de las misiones sean tanto condicionales como temporalmente complejas, los investigadores han dado a los ingenieros una herramienta para escribir instrucciones que se sienten más naturales y menos frágiles. La capacidad de dividir estas instrucciones complejas en piezas manejables significa que los robots ahora pueden manejar misiones que antes eran demasiado costosas computacionalmente para ser planificadas. Los investigadores señalaron que, si bien su trabajo actual se centra en robots individuales, el siguiente paso es extender este marco a grupos de robots trabajando juntos. Por ahora, el método constituye una forma robusta de asegurar que, cuando se le dice a un robot que haga algo complejo en un mundo cambiante, pueda determinar exactamente cómo hacerlo, de manera rápida y correcta.