Un robot de picking colisionó contra una estantería en un almacén de alta densidad, provocando un efecto dominó que derribó varias filas de carga. El siniestro pudo haberse evitado si los sensores LIDAR hubieran detectado correctamente la proximidad del obstáculo. Para entender el fallo, se recreó el accidente mediante un gemelo digital, contrastando los datos reales escaneados con FARO Scene contra simulaciones en Gazebo y visualizaciones en Unreal Engine 5. El objetivo fue localizar los puntos ciegos generados por reflejos especulares en las superficies metálicas del pasillo.
Reconstrucción forense con FARO Scene y validación en Gazebo 🛠️
El primer paso fue capturar la geometría del almacén post-siniestro usando FARO Scene, generando una nube de puntos de alta precisión. Esta nube se importó a Navisworks para analizar la secuencia del colapso estructural. Posteriormente, se construyó un gemelo digital del robot y las estanterías en Gazebo, replicando las trayectorias originales del picking. Al simular el recorrido del LIDAR en este entorno virtual, se identificaron zonas donde el haz láser incidía en ángulos rasantes sobre paneles de acero pulido, creando reflejos que el sensor interpretó como espacio libre. La comparación directa entre la nube de puntos real y la simulación confirmó que esos puntos ciegos coincidían exactamente con la ubicación del impacto.
Repensar la seguridad: del layout físico a la simulación inmersiva 🚧
El accidente demuestra que confiar únicamente en sensores LIDAR sin validar el entorno virtual puede ser peligroso. La reflexión especular en metales es un punto ciego crítico en almacenes de alta densidad. Como mejora, se propone rediseñar el layout añadiendo marcas difusas en las esquinas de las estanterías y reubicar los soportes del LIDAR para cubrir los ángulos problemáticos. Unreal Engine 5 permite visualizar estas modificaciones en tiempo real, ofreciendo a los ingenieros de seguridad una herramienta inmersiva para testear configuraciones antes de implementarlas físicamente, reduciendo así el riesgo de nuevos efectos dominó.
Qué parámetros del gemelo digital en Unreal Engine 5 fallaron en predecir la colisión del robot de picking y cómo se podría haber evitado el efecto dominó en un almacén de alta densidad?
(PD: en Foro3D optimizamos rutas como optimizamos polígonos: hasta que el ordenador dice basta)