El marco general. Crédito: IET Cyber-Systems and Robotics (2025). Doi: 10.1049/csy2.70018
Navegar sin un mapa es una tarea difícil para los robots, especialmente cuando no pueden determinar de manera confiable dónde están. Una nueva solución con AI ayuda a los robots a superar este desafío al entrenarlos para tomar decisiones de movimiento que también protegen su capacidad para localizar. En lugar de dirigirse ciegamente hacia un objetivo, el robot evalúa la riqueza visual de sus alrededores y favorece las rutas donde es menos probable que se “pierda”.
Al combinar el aprendizaje de refuerzo profundo (DRL) con comentarios en tiempo real sobre la estimación de la pose, este enfoque permite a los robots evitar colisiones y fallas de localización. El resultado: navegación más inteligente, mejor rendimiento en entornos difíciles y un paso importante hacia los sistemas autónomos que realmente entienden sus limitaciones.
Los métodos tradicionales de navegación de robots requieren mapas detallados o asumen que la localización precisa siempre está disponible, las supuestas que se descomponen en entornos interiores o desconocidos. Los sistemas visuales de localización y mapeo (SLAM), a menudo utilizados como alternativos, pueden fallar fácilmente en escenas que carecen de texturas distintas o durante los movimientos abruptos, lo que lleva a errores de navegación severos.
Muchos modelos de IA anteriores se centraron solo en encontrar rutas sin colisión, ignorando si el robot podría permanecer adecuadamente localizado en el camino. Incluso aquellos que consideran la localización a menudo dependen de umbrales de penalización rígida, incapaces de adaptarse a las condiciones cambiantes. Debido a estos desafíos, se necesita urgentemente una estrategia de navegación más flexible y basada en la conciencia para que los robots se desempeñen de manera confiable en diversos escenarios del mundo real.
Un equipo de investigación de la Universidad de Cardiff y la Universidad de Hohai ha desarrollado un nuevo modelo de aprendizaje de refuerzo profundo (DRL) que ayuda a los robots a planificar caminos más inteligentes, más seguros en entornos interiores complejos. Su estudiarPublicado en IET Cyber-Systems and Robotics en julio de 2025, presenta una política de navegación consciente de localización capacitada con entrada de cámara RGB-D y comentarios en tiempo real de Orb-Slam2.
En lugar de confiar en los umbrales preestablecidos o mapas fijos, el robot aprende a adaptarse dinámicamente a las condiciones visuales en su entorno, lo que aumenta su capacidad para mantener la localización y mejorar significativamente las tasas de éxito de la navegación en las pruebas simuladas.
La innovación central radica en integrar la calidad de la localización en cada decisión de navegación. El robot está entrenado utilizando una representación de estado compacta que refleja la distribución espacial de los puntos de mapa visual, dividido en 24 regiones angulares alrededor de su cuerpo. Este diseño ayuda al robot a identificar qué direcciones son visualmente “más seguras” para viajar; es más probable que las áreas de significado proporcionen datos de localización confiables.
Además, los investigadores introdujeron una nueva función de recompensa basada en el error de pose relativa (RPE), ofreciendo comentarios instantáneos sobre si una acción de movimiento particular mejora o empeora la comprensión del robot de su posición. A diferencia de los modelos anteriores que usaban umbrales estáticos, este sistema emplea un umbral dinámico que se ajusta en tiempo real, dependiendo de las condiciones ambientales.
Para evaluar el enfoque, el equipo realizó una amplia capacitación utilizando el entorno de simulación de Igibson y probó su modelo contra cuatro métodos de referencia. En escenarios interiores desafiantes, el nuevo modelo superó a otros por un amplio margen, logrando una tasa de éxito del 49% en comparación con solo el 33% para la navegación convencional basada en SLAM.
También mostró un error de localización significativamente menor y una mejor adaptabilidad en nuevos entornos. En particular, el modelo eligió constantemente rutas más largas, pero más seguras, lo que demuestra el valor de priorizar la robustez de la localización sobre la eficiencia de pata más corta.
“Nuestro objetivo no era solo enseñarle al robot a moverse, fue para enseñarle a pensar en qué tan bien sabe dónde está”, dijo el Dr. Ze Ji, autor principal del estudio. “La navegación no se trata solo de evitar paredes; se trata de mantener la confianza en su posición en cada paso del camino. Al integrar la percepción y la planificación, nuestro modelo permite un movimiento más inteligente y más seguro en espacios inciertos. Esto podría allanar el camino para robots más autónomos que pueden manejar las complejidades del mundo real sin una supervisión humana constante”.
Las implicaciones de este trabajo se extienden a través de la robótica interior, desde robots de servicio en hospitales y hogares hasta sistemas de automatización de almacenes. En los entornos donde el GPS no funciona y las condiciones visuales varían, es crucial poder evaluar y responder a la confiabilidad de la localización. Este método equipa a los robots con la conciencia de ajustar sus estrategias en función de qué tan bien pueden ver y comprender su entorno.
Mirando hacia el futuro, el equipo planea probar su modelo en robots reales y en escenas dinámicas con peatones. Con un mayor desarrollo, el enfoque podría convertirse en un bloque de construcción clave para la navegación confiable y sin mapa en entornos humanos del mundo real.
Más información: Yan Gao et al, aprendizaje de refuerzo profundo para la navegación sin mapas de localización, los sistemas cibernéticos IET y la robótica (2025). Dos: 10.1049/csy2.70018
Proporcionado por la Universidad de Zhejiang
Cita: Navegación más inteligente: AI ayuda a los robots a mantenerse en el camino sin un mapa (2025, 27 de agosto) Consultado el 27 de agosto de 2025 de https://techxplore.com/news/2025-08-smarter-ai-robots-stay-track.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
