Sistema IA de Duke University Dota a Robots de Percepción Humana para Navegación Más Segura

Universidad Duke, Durham, NC

WildFusion usa una combinación de vista, tacto, sonido y equilibrio para ayudar a robots de cuatro patas a navegar mejor terrenos difíciles como bosques densos. (Imagen: Universidad Duke)

La riqueza de información proporcionada por nuestros sentidos que permite a nuestro cerebro navegar el mundo a nuestro alrededor es notable. Tacto, olfato, oído y un fuerte sentido de equilibrio son cruciales para atravesar lo que para nosotros parecen entornos fáciles como una relajante caminata un fin de semana.

Una comprensión innata del dosel superior nos ayuda a averiguar hacia dónde lleva el camino. El crujido agudo de ramas o el suave cojín de musgo nos informa sobre la estabilidad de nuestro apoyo. El trueno de un árbol cayendo o ramas danzando en vientos fuertes nos avisa de peligros potenciales cercanos.

Los robots, en contraste, han dependido durante mucho tiempo únicamente de información visual como cámaras o LiDAR para moverse por el mundo. Fuera de Hollywood, la navegación multisensorial ha permanecido desafiante para las máquinas. El bosque, con su hermoso caos de maleza densa, troncos caídos y terreno siempre cambiante, es un laberinto de incertidumbre para robots tradicionales.

Ahora, investigadores de la Universidad Duke han desarrollado un marco novedoso llamado WildFusion que fusiona visión, vibración y tacto para permitir a los robots "sentir" entornos exteriores complejos muy parecido a como lo hacen los humanos.

Nuevo capítulo en navegación robótica

"WildFusion abre un nuevo capítulo en navegación robótica y mapeo 3D", dijo Boyuan Chen, Profesor Asistente Dickinson Family de Ingeniería Mecánica y Ciencia de Materiales, Ingeniería Eléctrica e Informática, y Ciencia Informática en Universidad Duke. "Ayuda a los robots a operar con más confianza en entornos no estructurados e impredecibles como bosques, zonas de desastre y terreno off-road".

"Los robots típicos dependen fuertemente de visión o LiDAR solo, que a menudo fallan sin caminos claros o hitos predecibles", añadió Yanbaihui Liu, autor principal estudiante y doctorando de segundo año en el Laboratorio de Robótica General de Chen. "Incluso métodos avanzados de mapeo 3D luchan por reconstruir un mapa continuo cuando los datos de sensores son dispersos, ruidosos o incompletos, lo cual es un problema frecuente en entornos exteriores no estructurados. Ese es exactamente el desafío que WildFusion fue diseñado para resolver".

Integración multimodal de sensores

WildFusion, construido sobre un robot cuadrúpedo, integra múltiples modalidades de sensado, incluyendo cámara RGB, LiDAR, sensores inerciales, y notablemente, micrófonos de contacto y sensores táctiles. Como en enfoques tradicionales, la cámara y el LiDAR capturan geometría, color, distancia y otros detalles visuales del entorno. Lo que hace especial a WildFusion es su uso de vibraciones acústicas y tacto.

Mientras el robot camina, los micrófonos de contacto registran las vibraciones únicas generadas por cada paso, capturando diferencias sutiles, como el crujido de hojas secas versus el blando chapoteo de barro. Mientras tanto, los sensores táctiles miden cuánta fuerza se aplica a cada pata, ayudando al robot a percibir estabilidad o resbaladicidad en tiempo real. Estos sentidos añadidos también se complementan con el sensor inercial que recopila datos de aceleración para evaluar cuánto se tambalea, inclina o gira el robot al atravesar terreno irregular.

Representaciones neuronales implícitas

Cada tipo de dato sensorial se procesa luego a través de codificadores especializados y se fusiona en una única representación rica. En el corazón de WildFusion está un modelo de aprendizaje profundo basado en la idea de representaciones neuronales implícitas. A diferencia de métodos tradicionales que tratan el entorno como una colección de puntos discretos, este enfoque modela superficies y características complejas continuamente, permitiendo al robot tomar decisiones más inteligentes e intuitivas sobre dónde pisar, incluso cuando su visión está bloqueada o es ambigua.

"Piénselo como resolver un rompecabezas donde faltan algunas piezas, yet you're able to intuitively imagine the complete picture", explicó Chen. "El enfoque multimodal de WildFusion permite al robot 'llenar los espacios en blanco' cuando los datos de sensores son dispersos o ruidosos, muy parecido a lo que hacen los humanos".

Pruebas reales y futuras expansiones

WildFusion se probó en Eno River State Park en Carolina del Norte cerca del campus de Duke, ayudando exitosamente a un robot a navegar bosques densos, praderas y caminos de grava. "Ver al robot navegar confiadamente el terreno fue increíblemente gratificante", compartió Liu.

"Estas pruebas reales probaron la notable capacidad de WildFusion para predecir con precisión la transitabilidad, mejorando significativamente la toma de decisiones del robot sobre caminos seguros a través de terreno desafiante", dijo Liu.

De cara al futuro, el equipo planea expandir el sistema incorporando sensores adicionales, como detectores térmicos o de humedad, para mejorar aún más la capacidad de un robot para entender y adaptarse a entornos complejos. Con su diseño modular flexible, WildFusion proporciona vasto potencial de aplicaciones más allá de senderos forestales, incluyendo respuesta a desastres en terrenos impredecibles, inspección de infraestructura remota y exploración autónoma. "Uno de los desafíos clave para la robótica hoy es desarrollar sistemas que no solo funcionen bien en el laboratorio sino que funcionen de forma fiable en entornos reales", dijo Chen. "Eso significa robots que puedan adaptarse, tomar decisiones y seguir avanzando".

Para más información, contacte a Boyuan Chen en This email address is being protected from spambots. You need JavaScript enabled to view it..