¡Qué vaina más complicada la de los robots y las paredes de cristal! Uno, como ser humano, sabe de una vez que, aunque vea clarito al otro lado, por ahí no se pasa. Es una distinción tan sencilla que ni nos ponemos a pensar en ella. Pero, para un robot que anda por ahí, la transparencia se le convierte en un problema de percepción bien gordo. Es de esas dificultades que parecen de poca cosa en nuestro día a día, pero que nos recuerdan que para una máquina, entender su entorno puede ser un tigueraje mucho más complejo de lo que nos imaginamos. Reconocer un simple panel de cristal, que para nosotros es de lo más normal, representa un desafío mayúsculo para la inteligencia artificial y su capacidad de navegar el mundo real.
El meollo de la vaina es que un robot necesita traducir lo que captan sus sensores en información útil sobre el espacio que lo rodea. Y ahí es donde el ‘cristal’ entra a joder el proceso. Una ruta que parece despejada en su pantalla puede estar trancada por una mampara transparente, y eso confunde un viaje. Para meterle mano a esta dificultad, la gente de la Universidad de Maryland, con Naitri Rajyaguru y su coro, se fajaron y desarrollaron PolarDepth. Esta es una metodología que busca mejorar las estimaciones de profundidad y movimiento de los robots, intentando que no choquen con una barrera que sus ojos mecánicos no terminan de procesar como un obstáculo real.
El problema no es uno solo, sino que el cristal es como una trampa óptica con dos caras. Piense usted en una sala de reuniones que es toda acristalada: una cámara puede grabar las sillas y mesas como si nada interrumpiera la vista, porque el vidrio casi no tiene textura propia que le diga al robot ‘¡hey, aquí hay algo!’. Si esa cámara se mueve un poquito, los reflejos sobre el vidrio también cambian, y eso es un lío para la máquina. Los sensores láser, por su lado, tienen otra dificultad: una parte de la señal puede irse de largo y rebotar en algo detrás del vidrio, mientras que otra se desvía sin volver al receptor. Depende de cómo le dé la luz y de las características del material, lo que lo hace un chismoso para los sistemas de percepción robótica.
Pero, ¡tranquilo!, que hay otra forma de interpretar la luz que no es solo el color y la intensidad, que es lo que hacen las cámaras normales. Estamos hablando de la polarización, que es cómo se orientan las oscilaciones de la luz. Cuando la luz se refleja en una superficie, su patrón de polarización puede soltar pistas sobre la geometría del espacio que una foto corriente no detecta tan fácil. Para aprovechar eso, se necesitan sensores específicos, que midan esa propiedad y la conviertan en información útil para que el robot se dé cuenta de que esa pared transparente sí o sí está ahí y no es un espejismo.
Asegún la noticia, PolarDepth usa una sola cámara de polarización que saca dos tipos de imágenes: una convencional a color y otra, la Polar-RGB, que ya trae la información de la polarización de la luz. Con esas dos, el sistema genera estimaciones de profundidad separadas. Después, un sistema entrenado, como un tiguere con experiencia, combina los resultados píxel a píxel, dándole más peso a la información que parece más confiable en cada zona. Así, aprovecha la imagen normal donde funciona bien y recurre a las pistas extra de la polarización en las superficies reflectantes, como las dichosas mamparas de cristal que tanto lío arman.
Las pruebas que se le hicieron a PolarDepth, con escenas reales y sintéticas en entornos con mucho cristal, mostraron mejoras. Según los autores, comparado con métodos que solo usan imágenes RGB, hubo avances en la estimación de distancias y en la odometría visual, que es lo que le permite a una cámara calcular su propio movimiento. Esta diferencia es importante, porque esas dos capacidades son claves para que un robot perciba su entorno, aunque hay que decir que estos experimentos no garantizan que la tecnología vaya a eliminar las colisiones de una vez y por todas mientras los robots navegan de manera autónoma. ¡Todavía hay que meterle más mano a la vaina!
El problema del cristal no es nuevo, ¡eh! Viene de lejos, y por ahí por el 2017, investigadores de la Universidad Tecnológica de Sídney publicaron un estudio que buscaba reconocer paneles acristalados aprovechando la intensidad de la luz láser reflejada. Ellos le montaron su método a un sistema de localización y creación de mapas y lo probaron con un robot PR2 en dos edificios de oficinas. Según los autores, lograron identificar un 95% de los paneles sin un solo ‘falso positivo’ en esas pruebas. Su enfoque era diferente al de la Universidad de Maryland, pero demuestra que hay varias estrategias para afrontar esta dificultad que tiene a los robots en un callejón sin salida.
Todavía hay un viaje de cosas por aprender, mi gente. La noticia menciona que Tesla ya tiene unidades de Optimus en sus fábricas, haciendo tareas específicas bajo supervisión, y que Agility Robotics ha metido a Digit en operaciones logísticas. Boston Dynamics, por su lado, está bregando con Atlas para aplicaciones industriales. Son avances que van acercando estas máquinas al mundo laboral, pero aún quedan desafíos importantes: reconocer objetos, manipularlos sin dañarlos, ajustar la fuerza al sujetarlos y adaptarse a situaciones que no estaban en el libreto. Porque, antes de que los robots compartan nuestros espacios con naturalidad, tendrán que resolver problemas tan elementales como no chocar contra una pared de cristal. ¡Esa es la verdad del mambo!
Si te ha gustado este artículo, ¡compártelo con tus amigos, o déjanos un comentario!
Ingeniero de Sistemas especializado en Inteligencia Artificial y Automatización de Procesos. Con una trayectoria enfocada en la convergencia entre tecnología de vanguardia y comunicación digital, Ramón lidera la implementación de modelos generativos aplicados al periodismo dominicano. Su trabajo garantiza que la información que llega a la diáspora no solo mantenga nuestra identidad “del patio”, sino que cumpla con los más altos estándares de veracidad y optimización técnica de la web moderna (2026).
