En los paisajes caóticos y fragmentados de la búsqueda y rescate urbano, donde los edificios se han derrumbado y las escaleras se han reducido a escombros irregulares, los robots deben hacer más que solo ver su camino hacia adelante; deben sentir su camino a través de él. Este es el dominio de los robots de orugas articulados, máquinas equipadas con orugas continuas como los tanques, pero dotadas de piezas móviles adicionales, llamadas flippers, que pueden extenderse para agarrarse a escalones o escombros. Estas máquinas están diseñadas para navegar en entornos que son demasiado peligrosos para los humanos y demasiado complejos para los vehículos estándar con ruedas. Sin embargo, lograr que estos robots se muevan de manera confiable es un desafío profundo. El suelo que atraviesan no es una carretera lisa, sino una superficie irregular y cambiante donde las orugas metálicas y los flippers del robot hacen y rompen contacto con la tierra constantemente. Cada vez que un flipper toca un escalón o una oruga resbala sobre una roca suelta, la física del movimiento del robot cambia instantáneamente. Los programas informáticos tradicionales luchan contra esto porque dependen de reglas preescritas que no pueden contemplar cada bulto o ángulo posible, mientras que los sistemas más nuevos basados en el aprendizaje suelen aprender a moverse de formas que son fluidas en teoría, pero peligrosamente bruscas o inestables en la realidad.

Para resolver esto, los investigadores han desarrollado un nuevo marco llamado ASTRIL-MPC, un sistema que permite a estos robots de rescate pensar y ajustarse en tiempo real mientras escalan obstáculos. El núcleo de este sistema es un enfoque híbrido que combina tres capacidades distintas. Primero, utiliza un modelo aprendido, esencialmente un cerebro digital entrenado en miles de escaladas simuladas, para predecir exactamente cómo se moverá el robot durante los próximos segundos basándose en la forma del terreno que tiene por delante. Segundo, utiliza un planificador matemático que comprueba constantemente estas predicciones frente a reglas estrictas de seguridad, asegurando que el robot nunca vuelque o golpee una pared. Tercero, y quizás de la manera más innovadora, el sistema emplea un modelo de lenguaje de gran tamaño para actuar como un supervisor de alto nivel. En lugar de decirle al robot exactamente qué motor girar, este supervisor escucha instrucciones humanas sencillas, como "muévete con cuidado" o "ve más rápido", y las traduce en ajustes precisos para la configuración interna del robot. Esto permite que el robot adapte su comportamiento a diferentes terrenos y preferencias del operador sin necesidad de ser reprogramado o reentrenado desde cero.

Los investigadores probaron este marco en un entorno simulado que imitaba las condiciones difíciles de una zona de desastre, incluyendo escaleras empinadas e interiores abarrotados. Compararon su nuevo sistema con otros dos enfoques comunes: un sistema de planificación estándar que no se adapta a nuevas situaciones, y un sistema basado en el aprendizaje entrenado mediante ensayo y error. Los resultados mostraron que el nuevo sistema guiado por lenguaje superó significamente a los otros. En las pruebas de ascenso y descenso de escaleras, el sistema adaptativo mejoró la calidad general de la trayectoria hasta en un 71 por ciento en comparación con el planificador no adaptativo y en un 67 por ciento en comparación con la base de referencia basada en el aprendizaje. Crucialmente, el nuevo sistema eliminó impactos de colisión mensurables cuando el robot descendía escaleras, un punto de falla común donde los robots suelen golpear los escalones o perder el equilibrio. El sistema logró esto refinando continuamente su equilibrio interno entre velocidad y estabilidad, asegurando que el cuerpo del robot se mantuviera nivelado y sus movimientos permanecieran suaves incluso cuando el terreno cambiaba debajo de él.

Lo que hace que este logro sea particularmente notable es cómo el sistema maneja la complejidad del movimiento del robot. Los investigadores descubrieron que intentar escribir cada posible interacción física entre las orugas del robot y el suelo era demasiado difícil de hacer en tiempo real. En su lugar, entrenaron una red neuronal para aprender estas interacciones a partir de datos, lo que le permite predecir la posición futura del robot con alta precisión en menos de una décima de segundo. Esta velocidad es esencial porque el robot debe tomar decisiones cientos de veces por segundo para mantenerse erguido. El sistema integra entonces esta predicción en un bucle de planificación que resuelve el mejor camino a seguir mientras respeta límites estrictos, como la velocidad máxima que las orugas pueden girar o el ángulo en el que el robot podría volcarse. Al mantener estas restricciones de seguridad rígidas, el sistema asegura que, incluso cuando el robot se está adaptando a una nueva instrucción, nunca viole las leyes físicas que evitan que se caiga.

El papel del modelo de lenguaje en este proceso es actuar como un puente entre la intención humana y la ejecución de la máquina. Cuando un operador proporciona una nueva instrucción, el sistema no simplemente cambia el destino del robot; ajusta sutilmente los pesos y límites que gobiernan el comportamiento del robot. Por ejemplo, si el operador pide un enfoque más cauteloso, el sistema podría reducir automáticamente los límites de velocidad y aumentar la penalización por cualquier movimiento repentino, haciendo que el robot se mueva de forma más lenta y deliberada. Por el contrario, si la instrucción es moverse rápidamente, el sistema ajusta los parámetros para permitir velocidades más altas manteniendo la estabilidad. Este ajuste ocurre dentro de una compuerta de seguridad que evita que el modelo de lenguaje realice cambios que sean demasiado extremos o contradictorios, asegurando que el robot permanezca seguro independientemente de la instrucción que reciba. Los investigadores demostraron que este método permite al robot generalizar sus habilidades a obstáculos no vistos, como escaleras de diferentes alturas, sin necesidad de nuevos datos de entrenamiento.

En sus experimentos, los investigadores observaron que el sistema mantenía una postura consistente y estable a través de una variedad de escenarios desafiantes. Al cruzar un bloque grande único o navegar por una serie de escaleras, el robot seleccionaba autónomamente la configuración correcta para sus flippers, extendiéndolos para agarrarse a los escalones o retrayéndolos para evitar obstáculos. Este nivel de coordinación, que anteriormente requería un ajuste experto para cada entorno específico, se logró dinámicamente mediante el sistema. Los datos mostraron que el controlador adaptativo redujo el temblor y los sacudones del cuerpo del robot, lo que condujo a un movimiento más suave y menos estrés en los componentes de la máquina. La capacidad de eliminar los impactos de colisión durante el descenso fue particularmente significativa, ya que sugiere que el robot podría navegar de forma segura por pendientes empinadas e inestables sin dañarse a sí mismo o a los escombros circundantes.

El éxito de este marco sugiere un nuevo camino a seguir para los robots autónomos en entornos complejos y no estructurados. Al combinar el poder predictivo de los modelos aprendidos con la rigurosidad de la planificación matemática y la flexibilidad de la adaptación guiada por lenguaje, los investigadores han creado un sistema que es tanto robusto como receptivo. Los hallazgos indican que este enfoque puede manejar la naturaleza híbrida y discontinua de las interacciones robot-terreno, donde el suelo cambia de sólido a resbaladizo o de plano a empinado en un instante. Aunque el trabajo actual se realizó en simulación, la velocidad del bucle de control y la claridad de los resultados sugieren que el sistema es prometedor para su futuro despliegue. Los investigadores planean extender este trabajo para manejar objetos deformables, incorporar la eficiencia energética en la toma de decisiones del robot y validar el marco en plataformas adicionales del mundo real para mejorar aún más la eficiencia en misiones de rescate de larga duración. En última instancia, este trabajo demuestra que, con la combinación adecuada de aprendizaje y seguridad, los robots pueden ser confiables para navegar por los lugares más difíciles y peligrosos de la Tierra.