Experimentos que involucran robots de piernas que navegan en entornos de laberinto. Crédito: Robótica de Ciencias (2025). Doi: 10.1126/scirobotics.ads4551
Para que los robots se introduzcan con éxito en una gama más amplia de configuraciones del mundo real, deben poder navegar de manera segura y confiable con entornos que cambian rápidamente. Si bien los robotistas y los informáticos han introducido una amplia gama de técnicas computacionales para la navegación de robots en las últimas décadas, se descubrió que muchos de ellos funcionan mal en entornos que son dinámicos, desordenados o caracterizados por vías estrechas.
Investigadores del Instituto Huzhou, parte de la Universidad de Zhejiang en China, introdujeron recientemente un nuevo enfoque para la navegación de robots que se basa en una red neuronal profunda y técnicas de optimización clásica. Su enfoque propuesto, descrito en un artículo publicado En Science Robotics, está diseñado para replicar artificialmente las capacidades de Pathfinding de los humanos.
“Nuestra motivación fue sencilla: desarrollar un planificador de trayectoria que pueda operar de manera robusta en entornos arbitrariamente complejos al tiempo que respeta las limitaciones no holonómicas de los robots”, dijo Zhichao Han, primer autor del artículo, a Tech Xplore.
“Nos inspiramos en el razonamiento humano, específicamente, cómo las personas a menudo pueden identificar intuitivamente un camino aproximado a través de entornos complejos de un vistazo, incluso si la solución no siempre es óptima o completamente segura. Para emular esto, implementamos una red neuronal liviana que aproxima este proceso”.
Si bien se ha encontrado que las redes neuronales artificiales funcionan bien en varias tareas, sus predicciones a menudo son difíciles de interpretar. Además, muchas técnicas basadas en estas redes no se generalizan bien en una amplia gama de escenarios.
Navegación de ala fija en terreno montañoso. Crédito: Zhichao Han
Para superar estas limitaciones, Han y sus colegas combinaron una red neuronal profunda con un optimizador de trayectoria espacio -temporal recientemente desarrollado. En última instancia, esto les permitió refinar aún más las trayectorias y caminos generados por la red neuronal.
“Nuestro marco de planificación jerárquica está diseñado para abordar dos objetivos clave”, dijo Han. “En primer lugar, al aprovechar los enfoques basados en el aprendizaje para la etapa de planificación de la ruta inicial, nuestro objetivo es reproducir la capacidad humana de ‘instantáneamente’ comprender una ruta factible a través de un entorno. Esto garantiza que los tiempos de planificación sean estables y predecibles”.
El segundo objetivo del marco propuesto del equipo es garantizar que las rutas iniciales generadas por las redes neuronales se conviertan en comandos de movimiento suave que pueden ser ejecutados por robots reales. Para hacer esto, el marco se basa en técnicas de optimización numérica específicamente destinadas a mejorar las trayectorias y rutas.
“La idea central es imitar el proceso de planificación humana, en el que la experiencia pasada juega un papel crucial en la planificación de caminos”, explicó Han. “Del mismo modo, nuestro algoritmo aprende de un gran conjunto de datos de demostraciones de expertos, destilando este conocimiento previo en la red.
“Un componente clave es que el planificador neuronal opera directamente en el mismo dominio de imagen que la representación del medio ambiente, que acelera enormemente tanto la capacitación como mejora el rendimiento de la convergencia. Intuitivamente, si le pide a un humano que dibuje una ruta en un mapa, eso es directo; pedirle a alguien que proporcione puntos coordinados exactos es mucho menos intuitivo”.
Experimentos de navegación de ala fija a gran escala. Crédito: Robótica de Ciencias (2025). Doi: 10.1126/scirobotics.ads4551
El enfoque de Pathfinding desarrollado por Han y sus colegas es significativamente más estable con el tiempo que los métodos de redes neuronales previamente introducidos. En las pruebas iniciales, se descubrió que producía rutas de manera confiable para robots dentro de un plazo fijo y predecible, independientemente de la complejidad de un entorno dado.
Esta es una ventaja significativa, ya que muchos métodos de planificación convencionales necesitan realizar búsquedas en línea extensas, lo que puede retrasar el proceso de búsqueda de rutas en entornos dinámicos o desafiantes, en última instancia, desacelerando la navegación de un robot.
“Combinamos efectivamente la optimización numérica clásica con redes neuronales profundas, aprovechando sus respectivas fortalezas mientras mitigamos sus debilidades”, dijo Han. “Las redes profundas son altamente eficientes pero carecen de garantías de integridad, mientras que los métodos clásicos son completos, pero su rendimiento tiende a depender de la inicialización. Al integrar ambos, nuestro sistema logra una generación de trayectoria espacio-temporal estable y de alta calidad en entornos desafiantes”.
El enfoque de Pathfinding introducido por este equipo de investigadores pronto podría probarse en más experimentos utilizando varias plataformas robóticas. En el futuro, podría usarse para mejorar la capacidad de los robots para abordar diferentes misiones complejas, incluidas las operaciones de búsqueda y rescate, las tareas logísticas y la exploración de entornos dinámicos.
“En el futuro, planeamos abordar el desafío de transferencia SIM a Real mejorando aún más la fidelidad de la simulación y mejorando la robustez de la percepción”, agregó Han. “Nuestro objetivo es garantizar que los robots puedan operar de manera segura, confiable y previsible en entornos del mundo real diversos y complejos, logrando la integración perfecta en la vida diaria humana y las aplicaciones industriales”.
Escrito para usted por nuestro autor Ingrid Fadellieditado por Lisa Locky verificado y revisado por Andrew Zinin—Este artículo es el resultado de un trabajo humano cuidadoso. Confiamos en lectores como usted para mantener vivo el periodismo científico independiente. Si este informe le importa, considere un donación (especialmente mensual). Obtendrá una cuenta sin anuncios como agradecimiento.
Más información: Zhichao Han et al, que representa jerárquicamente la trayectoria del vehículo con estabilidad en entornos complejos, Robótica de la Ciencia (2025). Dos: 10.1126/scirobotic.ads4551
© 2025 Science X Network
Cita: un enfoque de ruta de inspiración humana para mejorar la navegación de robots (2025, 25 de julio) Consultado el 25 de julio de 2025 de https://techxplore.com/news/2025-07-human-pathfinding-approach-Robot.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.
