La investigadora Yen-Ling Kuo, de la Universidad de Virginia, ha desarrollado un método que permite a los robots aprender tareas mientras las ejecutan, imitando la capacidad humana de hacer suposiciones lógicas. Esto les da una flexibilidad inédita para adaptarse a entornos cambiantes, como fábricas o casas, sin necesidad de reprogramación constante. La meta es que sean más eficientes y accesibles.
El método: suposiciones calculadas en tiempo real 🤖
El enfoque se basa en modelos probabilísticos que permiten al robot evaluar múltiples opciones de acción y seleccionar la más viable sin datos previos. A diferencia de los sistemas tradicionales, que requieren entrenamiento con grandes conjuntos de datos, este sistema aprende de la interacción directa con el entorno. Kuo lo describe como un proceso de ensayo y error inteligente, donde la máquina ajusta su comportamiento basándose en resultados parciales. Esto reduce el tiempo de adaptación y los costos de implementación en tareas cotidianas.
Adiós a la aspiradora torpe: ahora supone dónde está el polvo 🧹
Por fin, los robots domésticos dejarán de chocarse con la misma silla cinco veces seguidas. Ahora, en lugar de mapear toda la casa como un ingeniero obsesivo, tu aspiradora podrá suponer que detrás del sofá hay polvo y lanzarse a por él. Claro, a veces supondrá mal y limpiará la pecera, pero al menos lo hará con convicción. Menos programación, más suposiciones: el futuro de la vagancia robótica ya está aquí.