Los robots han luchado durante mucho tiempo por moverse con la gracia fluida de una mano humana. Si bien la inteligencia artificial moderna ya puede escribir poesía, diagnosticar enfermedades y generar imágenes deslumbrantes, dotar a una máquina de la capacidad de manipular físicamente el mundo sigue siendo un desafío persistente. El núcleo del problema reside en cómo las computadoras entienden el movimiento. A diferencia del texto, que está compuesto por letras distintas, o de las imágenes, que están compuestas por píxeles, las acciones físicas de un brazo robótico son flujos continuos de datos. Un brazo robótico no simplemente salta de una posición a otra; fluye a través de un número infinito de posiciones diminutas intermedias. Para enseñar a un robot utilizando los poderosos modelos de lenguaje que impulsan la IA actual, los ingenieros deben primero traducir este movimiento suave y continuo en una serie de pasos discretos, de forma muy similar a convertir un río caudaloso en un cordón de cuentas individuales. Este proceso de traducción se conoce como tokenización. Si la traducción es demasiado tosca, el robot pierde los detalles finos de su movimiento, lo que resulta en acciones bruscas e imprecisas que fallan en tareas delicadas. Si la traducción es demasiado compleja, la computadora no puede procesarla lo suficientemente rápido para reaccionar en tiempo real.

Durante años, los investigadores han intentado resolver este problema de traducción, pero los métodos existentes a menudo intentan meter un objeto cuadrado en un agujero redondo. Algunos enfoques tratan cada movimiento como una simple lista de categorías fijas, lo que ignora la sincronización sutil y las relaciones entre los pasos. Otros intentan comprimir los datos agrupando los movimientos, pero a menudo pierden los detalles específicos necesarios para un control preciso, como el ángulo exacto de una muñeca o el apretón suave de una pinza. Esta pérdida de detalle crea un cuello de botella, impidiendo que los robots aprendan habilidades complejas como apilar objetos frágiles o ensamblar piezas intrincadas. El resultado es un robot que puede realizar tareas amplias y simples, pero que tropieza cuando se enfrenta a las demandas matizadas del mundo real.

Un equipo de investigadores ha propuesto ahora una nueva forma de manejar esta traducción, ofreciendo un método que preserva la riqueza del movimiento manteniendo los datos lo suficientemente compactos para que la IA moderna pueda procesarlos. Llaman a su sistema M2Tok, una herramienta diseñada para descomponer el flujo continuo de acciones robóticas en un formato que los modelos de lenguaje puedan entender sin perder la dinámica de grano fino necesaria para el éxito. En lugar de tratar el cuerpo completo del robot como un bloque de datos único y monolítico, su enfoque divide el movimiento en canales separados y especializados. Imagine un brazo robótico que necesita mover su hombro, codo, muñeca y pinza al mismo tiempo. Los métodos antiguos intentarían comprimir todos estos diferentes movimientos en un solo código, obligando a menudo al sistema a elegir entre la precisión para el brazo o la precisión para la pinza. El nuevo método, sin embargo, separa estos movimientos en grupos distintos, permitiendo que la IA se concentre en los matices específicos de cada parte de forma independiente.

Los investigadores lograron esto dividiendo los datos de movimiento del robot en múltiples cabezales, donde cada cabezal es responsable de un aspecto diferente del movimiento. Un cabezal podría rastrear la posición del brazo, mientras que otro rastrea la apertura y el cierre de la pinza. Crucialmente, cada uno de estos cabezales utiliza su propio diccionario independiente de códigos de movimiento. Al utilizar múltiples diccionarios trabajando en paralelo, el sistema crea un vasto número de combinaciones posibles, mucho más de las que un solo diccionario podría ofrecer jamás. Este poder combinatorio permite al sistema representar una variedad mucho más amplia de movimientos con alta precisión. Es similar a cómo un músico puede crear una cantidad infinita de melodías combinando un conjunto limitado de notas a través de diferentes instrumentos; el nuevo sistema combina conjuntos limitados de códigos de movimiento a través de diferentes "instrumentos" del cuerpo del robot para recrear acciones complejas con una fidelidad notable.

Para probar esta idea, los investigadores entrenaron su sistema en una gran colección de tareas robóticas simuladas, que van desde martillear un bloque hasta recoger diversas botellas y colocar contenedores sobre platos. Compararon su nuevo método con varias técnicas existentes que se han utilizado en el campo. Los resultados mostraron una clara ventaja para el nuevo enfoque. En una serie de doce tareas de simulación diferentes, el robot utilizando el nuevo método tuvo éxito en el 51 por ciento de sus intentos, superando significativamente al siguiente mejor método, que tuvo éxito en solo el 45 por ciento de los casos. La mejora fue aún más dramática en tareas difíciles que requerían alta precisión. Por ejemplo, en una tarea que consistía en mover una lata a una olla, el nuevo método tuvo éxito casi el doble de veces que el enfoque anterior más avanzado. En otra tarea que implicaba colocar una caja de hamburguesa y papas fritas en una bandeja, el nuevo método alcanzó una tasa de éxito del 64 por ciento, mientras que el siguiente mejor método logró solo el 52 por ciento.

Los investigadores también probaron el sistema en un conjunto diferente de entornos simulados para ver si las habilidades podían transferirse a nuevas situaciones. Aquí, el nuevo método demostró nuevamente un rendimiento superior, logrando una tasa de éxito del 28 por ciento en comparación con el 21 por ciento de la alternativa líder. La diferencia más sorprendente apareció en una tarea que requería que el robot recogiera una berenjena y la colocara en una cesta. La berenjena es un objeto de forma irregular que es difícil de agarrar, y los métodos anteriores fallaron por completo en resolver esta tarea. El nuevo método, sin embargo, tuvo éxito el 33 por ciento de las veces, lo que sugiere que su capacidad para capturar detalles finos le permitió manejar la geometría compleja del objeto donde otros no pudieron.

Para asegurar que estos resultados no fueran solo producto de la simulación, el equipo llevó sus modelos entrenados y los probó en robots del mundo real. Utilizaron una plataforma móvil equipada con cuatro brazos robóticos y una cámara, pidiendo a los robots que realizaran tres tareas diferentes: tocar una campana, colocar un contenedor en un plato y recoger diferentes botellas. Estas fueron pruebas de "zero-shot", lo que significa que los robots nunca habían visto estos objetos o entornos específicos en el mundo real; tenían que confiar enteramente en lo que aprendieron en la simulación. El nuevo método volvió a superar a los demás, logrando una tasa de éxito promedio del 33 por ciento en las tres tareas, en comparación con el máximo de 28 por ciento de la mejor alternativa. La evidencia visual de estas pruebas mostró que los robots identificaban con éxito las posiciones de los objetos y ejecutaban operaciones de agarre precisas, confirmando que la traducción de alta calidad de los datos de movimiento se mantenía cuando los robots salían de la computadora y entraban en el mundo físico.

Más allá de la precisión, los investigadores también analizaron qué tan rápido podía funcionar el sistema. Para que un robot sea útil, debe tomar decisiones lo suficientemente rápido como para reaccionar a su entorno. El nuevo método permitió que el robot operara a una frecuencia de más de 8 hercios, lo que significa que podía tomar más de ocho decisiones cada segundo. Esta es una mejora significativa respecto a los métodos antiguos que operaban a solo 2 hercios. Además, cuando los investigadores optimizaron el sistema para la velocidad utilizando un motor de procesamiento especializado, el robot pudo alcanzar una frecuencia de 56 hercios, superando con creces la velocidad requerida para la mayoría de las tareas de manipulación en tiempo real. Esta combinación de alta precisión y alta velocidad sugiere que el nuevo método podría ser una solución práctica para desplegar robots avanzados en entornos dinámicos.

El éxito de este trabajo depende de un cambio fundamental en cómo se procesan los datos de movimiento. Al rechazar la idea de que todo el movimiento debe comprimirse en un código único y uniforme, los investigadores permitieron que el sistema respetara la naturaleza única de las diferentes partes del cuerpo del robot. La separación del movimiento en canales independientes, combinada con el uso de múltiples diccionarios especializados, creó un sistema que podía capturar los detalles sutiles y de alta frecuencia del movimiento que los métodos anteriores pasaban por alto. Este enfoque no requirió cambiar la arquitectura subyacente de los modelos de lenguaje que impulsan a los robots; en su lugar, proporcionó una mejor manera de alimentar los datos en ellos. El resultado es un robot que puede entender y ejecutar tareas físicas complejas con un nivel de destreza que antes estaba fuera de alcance, cerrando la brecha entre la inteligencia digital de los modelos de lenguaje y la realidad física del mundo que deben navegar.