En los rincones tranquilos y desordenados de un hogar o en los estrechos pasillos de una tienda de conveniencia, un robot se enfrenta a un desafío que es sencillo para un humano pero desconcertante para una máquina: recoger un sándwich sin aplastarlo, o levantar un vaso de papel sin dejar que se resbale. Durante décadas, los ingenieros han enseñado a los robots a sujetar objetos midiendo números: cuánta fuerza se aplica, cuánta fricción existe y si el objeto se mueve. Estas mediciones son precisas y fiables, pero pasan por alto la parte más importante de la ecuación: la sensación humana de que es "justo lo adecuado". Un robot puede aplicar una fuerza que es físicamente suficiente para sostener un objeto, pero para un observador humano, el objeto parece ligeramente abollado o deformado, lo que indica que el agarre es demasiado fuerte. Esta desconexión entre lo que un robot mide y lo que un humano espera crea una barrera para la verdadera cooperación. Si un robot no puede entender que un sándwich aplastado es un fracaso, incluso si no se cayó, nunca se confiará en él para tareas cotidianas delicadas.

Un equipo de investigadores del Instituto Tecnológico de Kyushu en Japón ha desarrollado una nueva forma de cerrar esta brecha. Crearon un sistema que permite a un robot aprender los estándares visuales subjetivos de un agarre humano y luego aplicar esos estándares utilizando únicamente sus propios sensores mecánicos. En lugar de programar un robot con reglas rígidas para cada objeto posible, lo cual es imposible dada la variedad infinita de cosas en el mundo, los investigadores construyeron un marco que transfiere la intuición humana a la máquina. El sistema funciona mostrando primero a un humano cómo juzgar un agarre y, después, utilizando ese juicio para enseñar al robot qué buscar en sus propios datos. El resultado es un robot que puede adaptarse a un objeto nuevo y desconocido tras ver solo unos pocos ejemplos, aprendiendo a dejar de apretar en el momento exacto en que un humano decidiría que el agarre es perfecto.

Los investigadores probaron esta idea en tres artículos comunes que se encuentran en entornos no estructurados: una bola de arroz, un sándwich y un vaso de papel. Estos objetos fueron elegidos porque son blandos, deformables y se comportan de manera diferente bajo presión. Para enseñar al robot, el equipo primero grabó vídeos del robot sujetando estos artículos mientras aumentaba la fuerza en pasos pequeños y precisos. Un observador humano vio estos vídeos y marcó dos momentos críticos: el segundo exacto en que el agarre sostenía el objeto de forma segura, y el primer instante en que el objeto comenzó a mostrar signos visibles de daño, como una abolladura o un cambio de forma. Estos momentos definieron tres estados para el robot: deslizamiento (no sujeta con suficiente fuerza), apropiado (sujeta de forma justa) y excesivo (aprieta demasiado fuerte).

La innovación central reside en cómo el robot aprende estas definiciones sin necesidad de miles de ejemplos etiquetados por humanos. Los investigadores utilizaron un modelo de lenguaje y visión de gran tamaño, un tipo de inteligencia artificial capaz de comprender imágenes y texto, para actuar como puente. Mostraron a esta IA unos pocos ejemplos de los juicios humanos —dos o tres vídeos donde un humano ya había marcado los momentos perfectos—. La IA utilizó entonces estos ejemplos como guía para etiquetar el resto de los datos de vídeo automáticamente. Este proceso, que el equipo llama un generador de supervisor semiautomático, les permitió crear un conjunto de datos de entrenamiento completo para cada objeto con un esfuerzo humano mínimo. La IA aprendió a reconocer las sutiles pistas visuales de deformación que un humano notaría, traduciendo efectivamente el "ojo" humano en un conjunto de etiquetas que el robot pudiera entender.

Una vez que el robot tuvo estos datos etiquetados, aprendió a predecir el estado del agarre en tiempo real utilizando únicamente sus propios sensores internos. El robot no tiene ojos para ver la abolladura; en su lugar, depende de sensores táctiles en sus dedos y de una medición de la fuerza que está aplicando. Los investigadores entrenaron un modelo de predicción ligero para observar el historial de estas lecturas de sensores y adivinar qué sucederá en la siguiente fracción de segundo. Si el patrón de presión y tacto sugiere que el objeto está a punto de deformarse, el robot sabe que debe dejar de aumentar la fuerza. Esta predicción ocurre en una fracción de segundo, lo que permite al robot ajustar su agarre continuamente mientras levanta y mueve el objeto.

Los experimentos demostraron que este enfoque funciona notablemente bien. Cuando los investigadores probaron el sistema con los tres objetos, la capacidad del robot para predecir el estado correcto mejoró rápidamente a medida que veía más datos. Con un solo ejemplo del juicio de un humano, el robot podía empezar a comprender la tarea, pero sus predicciones eran a veces inestables. Al recibir dos ejemplos, el rendimiento del robot se volvió altamente preciso, coincidiendo casi perfectamente con el juicio humano. En las pruebas donde el robot realmente levantaba y movía los objetos, mantuvo con éxito el agarre "apropiado" en casi todas las pruebas. Para el vaso de papel y el sándwich, el robot logró una puntuación perfecta en mantener el objeto seguro sin daños. Para la bola de arroz, que tiene una forma más irregular y una densidad desigual, el robot fue un poco más cauteloso, deteniendo su agarre un poco antes de lo que el humano podría haberlo hecho, pero aun así transportó el artículo con éxito sin dejarlo caer ni aplastarlo.

Para confirmar que el robot estaba cumpliendo realmente con las expectativas humanas, los investigadores pidieron a veinticinco personas que vieran vídeos del robot realizando estas tareas. Se pidió a los participantes que decidieran si el agarre del robot era de deslizamiento, apropiado o excesivo. En casi todos los casos, más del noventa por ciento de las personas estuvieron de acuerdo en que el robot sostenía el objeto correctamente. La única excepción fue una prueba con el sándwich donde el robot lo sostuvo ligeramente descentrado, causando una distorsión visual que algunas personas interpretaron como un exceso de fuerza. Este resultado sugiere que el sistema alineó con éxito las acciones mecánicas del robot con las expectativas visuales humanas, creando un agarre que se siente bien para una persona que observa.

El estudio también destacó los límites de este enfoque actual. Los investigadores señalaron que el sistema funciona mejor cuando los objetos son similares a los que ya ha visto. Si se introduce un nuevo tipo de sándwich con una textura o rigidez completamente diferente, el robot podría necesitar unos cuantos ejemplos más para aprender las nuevas reglas. El equipo también señaló que su método actual se basa en una clasificación simple de tres estados, lo cual es un buen punto de partida pero no captura toda la complejidad de la preferencia humana. El trabajo futuro buscará hacer el sistema más robusto incorporando la retroalimentación de los humanos durante la tarea y ampliando la gama de objetos que puede manejar.

En última instancia, esta investigación demuestra un camino a seguir para los robots que necesitan trabajar junto a las personas en entornos desordenados e impredecibles. Al enseñar a las máquinas a valorar la perspectiva humana —no solo la seguridad física del objeto, sino también su apariencia e integridad—, los investigadores han dado un paso significativo hacia robots que pueden comprender verdaderamente los matices de la vida cotidiana. El robot no necesita que se le diga exactamente con qué fuerza apretar un artículo específico; solo necesita aprender qué aspecto tiene el "demasiado" y, entonces, puede aplicar esa lección a cualquier cosa que encuentre. Esta capacidad de transferir criterios humanos subjetivos al control de máquinas objetivas sugiere un futuro donde los robots puedan manipular nuestras posesiones más frágiles con el mismo cuidado que nosotros.