Universal Navigation Interface: Robot-Free Data for Wheeled Robot Navigation

Los robots móviles se están abriendo paso cada vez más en nuestra vida cotidiana, encargados de entregar paquetes, inspeccionar infraestructuras o proporcionar asistencia de movilidad a personas que lo necesitan. Para que estas máquinas se desplacen de forma segura por las concurridas e irregulares aceras de la ciudad, deben aprender a navegar tal como lo hacen los humanos: observando su entorno y decidiendo hacia dónde ir a continuación. La forma más eficaz de enseñar este conocimiento a un robot es mostrarle miles de ejemplos de trayectos exitosos, un proceso conocido como la recopilación de datos de navegación. Tradicionalmente, la obtención de estos datos ha sido una tarea lenta y costosa, que requiere que los investigadores conduzcan físicamente un robot por los barrios, registrando cuidadosamente cada giro y obstáculo. Este método limita la cantidad de datos que se pueden recopilar y restringe la variedad de entornos de los que un robot puede aprender, ya que trasladar equipos pesados y especializados a cada nueva ubicación suele ser poco práctico.

El desafío central reside en encontrar una forma de enseñar a un robot cómo moverse sin utilizar realmente al propio robot. Si un humano pudiera simplemente caminar por un sendero y que ese camino fuera registrado, sería mucho más fácil reunir las vastas cantidades de información necesarias para entrenar estas máquinas. Sin embargo, una simple caminata humana no es un sustituto perfecto. Las personas pueden saltar fácilmente bordillos, subir escaleras o pasar por huecos estrechos que un robot con ruedas nunca podría sortear. Si un robot aprende de un humano que subió una escalera, podría intentar hacer lo mismo, lo que provocaría un choque. La solución requiere un método que capture el movimiento humano pero que impida físicamente la recopilación de rutas imposibles, asegurando que los datos reflejen lo que una rueda realmente puede hacer.

Investigadores de la Universidad Northeastern han introducido un nuevo enfoque llamado Interfaz de Navegación Universal (UNI, por sus siglas en inglés), que resuelve este problema utilizando un equipo común: un andador de cuatro ruedas. Este dispositivo, utilizado a menudo por personas que necesitan estabilidad al caminar, sirve como un filtro físico para los datos. Cuando una persona empuja el andador, se ve guiada naturalmente hacia caminos que son seguros para las ruedas. El andador no puede subir escaleras, no puede subir un bordillo sin rebaje y no puede pasar por huecos que sean demasiado estrechos. Esta restricción física obliga al operador a elegir rampas, rebajes de bordillo y pasajes anchos, sesgando efectivamente la demostración humana hacia rutas que son factibles para un robot con ruedas. El sistema es notablemente sencillo y de bajo coste, y consiste en el propio andador y un teléfono inteligente estándar montado en el manillar. El teléfono inteligente registra una transmisión sincronizada de datos visuales y espaciales, incluyendo imágenes en color, información de profundidad y sensores de movimiento, creando un registro rico del trayecto.

Utilizando esta configuración, el equipo recopiló más de treinta y siete kilómetros de datos de navegación en tres ciudades diferentes. Caminaron a través de diversos entornos urbanos, encontrándose con todo tipo de situaciones, desde pavimento mojado y zonas de obras hasta cruces de peatones concurridos y viajes en ascensor. Debido a que el andador impidió físicamente que los operadores intentaran subir escaleras o cruzar bordillos sin rebaje, el conjunto de datos resultante está naturalmente libre de los tipos de maniobras imposibles que suelen afectar a otros datos recopilados por humanos. Los investigadores procesaron luego estas grabaciones para extraer trayectorias métricas precisas; esencialmente, un mapa de exactamente por dónde se desplazaba el dispositivo en distancias del mundo real. Utilizaron la información de profundidad de los sensores del teléfono inteligente para anclar los datos de movimiento al mundo físico, asegurando que las distancias fueran precisas y no solo estimaciones relativas.

La verdadera prueba de este método fue si los datos podían realmente enseñar a un robot a navegar mejor. Los investigadores tomaron modelos de navegación existentes, que son los "cerebros de software" que permiten a los robots moverse, y los ajustaron utilizando los nuevos datos recopilados con el andador. Los resultados fueron significativos. Cuando estos modelos fueron probados en rutas no vistas anteriormente, su capacidad para predecir la ruta correcta mejoró casi un veinticinco por ciento en comparación con su rendimiento anterior. Esta mejora se mantuvo constante en tres tipos diferentes de modelos de navegación, lo que sugiere que el método es robusto y ampliamente aplicable. Además, los datos capturaron pausas naturales, como esperar en un paso de peatones o ceder el paso a un peatón, que a menudo se filtran en otros conjuntos de datos pero que son cruciales para un comportamiento robótico seguro. Cuando los modelos fueron entrenados para reconocer estos momentos de detención, su capacidad para predecir cuándo detenerse mejoró drásticamente, reduciendo los errores en esas situaciones en más del sesenta por ciento.

Para demostrar que este conocimiento podía transferirse de un simple andador a una máquina más compleja, el equipo probó los modelos entrenados en una silla de ruedas motorizada. En una serie de experimentos de bucle cerrado, la silla de ruedas tenía la tarea de aproximarse a obstáculos como bordillos sin rebaje y escaleras. Una versión del software que no había sido entrenada con los datos del andador continuaba avanzando, incapaz de reconocer la barrera, y habría chocado sin la intervención humana. En contraste, la silla de ruedas equipada con el software entrenado mediante UNI logró detenerse ante los obstáculos en casi todos los ensayos. También identificó y atravesó correctamente los rebajes de bordillo seguros sin vacilación. Esto demostró que las lecciones aprendidas de un simple andador empujado por un humano podían aplicarse directamente a una plataforma con ruedas diferente y más compleja, a pesar de que el dispositivo de recolección y el robot objetivo no eran los mismos.

El estudio concluye que un proxy físico simple y de bajo coste puede reemplazar eficazmente a las plataformas robóticas costosas para la recopilación de datos de navegación. Al utilizar un andador para restringir las demostraciones humanas, los investigadores crearon un conjunto de datos que es tanto extenso como físicamente realista para robots con ruedas. Este enfoque elimina la necesidad de operar un robot durante la fase de recopilación de datos, haciendo posible la obtención de diversos ejemplos de navegación en muchos más lugares y bajo muchas más condiciones de las que era factible anteriormente. Si bien el método no resuelve todos los desafíos de la navegación robótica, proporciona una forma práctica y escalable de enseñar a los robots a moverse por el mundo, cerrando la breza entre la intuición humana y la capacidad de las máquinas.