UN ROBOT APRENDE A JUGAR AL TENIS ANALIZANDO LOS ERRORES HUMANOS
Foto: Archivo – Todos los derechos reservados
Los robots están evolucionando rápidamente, mejorando su movilidad y habilidades para realizar tareas complejas. Un equipo de investigadores chinos ha desarrollado un sistema innovador que permite a un robot humanoide aprender a jugar al tenis analizando datos imperfectos de jugadores humanos.
LATENT: Un sistema de aprendizaje basado en errores
El sistema, denominado `LATENT`, utiliza datos de juego recopilados de jugadores aficionados, incluyendo golpes de derecha, revés y movimientos laterales. A partir de esta información, se crea un espacio de acciones latentes que representa las posibles respuestas del robot.
A diferencia de los métodos tradicionales que requieren datos perfectos, `LATENT` se basa en la idea de que los errores y fragmentos incompletos también pueden proporcionar información valiosa. El sistema ajusta y reorganiza los movimientos del robot para adaptarse a diferentes situaciones, permitiéndole encadenar acciones de forma flexible.
Resultados prometedores en la cancha
Las pruebas en la cancha han demostrado que el robot es capaz de jugar contra personas y mantener intercambios de varios golpes en diferentes zonas de la cancha. El robot puede ejecutar golpes de derecha y revés, adaptándose tanto a posiciones cercanas a la red como al fondo de la pista.
Esta capacidad de responder en diferentes posiciones indica que el sistema no se limita a un tipo de jugada, sino que gestiona varias situaciones dentro del mismo entrenamiento. La interacción con humanos permite evaluar hasta qué punto el movimiento se asemeja al de un jugador real.
En las pruebas, el robot alcanzó un 96,5% de aciertos, medido como la capacidad de devolver la pelota a menos de 2,5 metros del objetivo. Además, el sistema mantiene peloteos continuos con jugadores humanos, un logro que antes era difícil de conseguir.
Limitaciones y perspectivas futuras
A pesar de los avances, el sistema aún presenta limitaciones. El funcionamiento actual depende de un sistema de captura de movimiento para operar fuera del laboratorio, lo que reduce su autonomía. Además, el modelo de juego está simplificado, centrado en devolver pelotas generadas de forma aleatoria hacia un punto objetivo.
Los investigadores sugieren que la incorporación de visión activa podría mejorar esta situación y permitir una interacción más completa. El entrenamiento final se basa en aprendizaje por refuerzo y simulaciones antes de trasladar el modelo al robot Unitree G1.
Este proceso permite que lo aprendido en un entorno controlado funcione en condiciones reales. La transferencia se realiza con ajustes que introducen variaciones en el entorno y en las percepciones del robot, para evitar que dependa de situaciones idénticas a las simuladas.
El resultado es un sistema que mantiene coherencia en su comportamiento cuando pasa del laboratorio a la pista, aunque todavía necesita mejoras para acercarse al nivel de juego humano más exigente.
