Robots Cuadrúpedos: Aprendizaje como Adiestramiento Canino

En las próximas décadas, se espera que los robots se integren en un número creciente de hogares, espacios públicos y entornos profesionales. Muchos de los robots más avanzados y prometedores diseñados hasta la fecha son los llamados robots con patas, que consisten en una estructura corporal central con extremidades adheridas.

Gracias a su configuración corporal inspirada en animales, los robots con patas suelen moverse de forma fiable en diversos terrenos, escalando escaleras con eficacia, evitando obstáculos y accediendo a zonas que los robots con ruedas no pueden alcanzar.

A pesar de su potencial, la mayoría de estos robots solo pueden realizar tareas para las que han sido entrenados exhaustivamente en entornos simulados y tienen dificultades para adquirir nuevas habilidades durante las interacciones en el mundo real con los humanos.

Investigadores de la Universidad de Corea, el Instituto Politécnico de Zúrich (ETH Zurich) y la Universidad de California en Los Ángeles (UCLA) han presentado un nuevo marco de trabajo inspirado en el entrenamiento canino que podría simplificar el entrenamiento de robots en el mundo real. Este enfoque de aprendizaje, presentado en un artículo publicado en el servidor de preimpresiones arXiv, permite a los humanos guiar a los robots utilizando el tacto, los gestos y las órdenes verbales, de forma similar a como se comunicarían con los perros.

«Esta investigación se inspiró en cómo los perros aprenden nuevos comportamientos a través de la interacción continua con los humanos», declaró Taerim Yoon, primer autor del estudio, a Tech Xplore. «Los perros no aprenden de forma aislada, observan, siguen y se adaptan a través de la guía física y las señales sociales. Esto nos llevó a plantearnos una pregunta sencilla: ¿podrían entrenarse los robots de forma similar?».

Moldeando el comportamiento de un robot a través de la interacción humana

El objetivo principal de este trabajo de Yoon y sus colegas era idear una estrategia que permitiera a los usuarios humanos interactuar con los robots con patas de forma similar a como interactúan con los perros. Los investigadores comenzaron observando a entrenadores de perros profesionales y basándose en cómo intentaban enseñar nuevas habilidades a los caninos.

«Observamos que los entrenadores de perros a menudo utilizan golosinas o juguetes para atraer a los perros y moldear su comportamiento», explicó Yoon. «Con el tiempo, una vez que se aprende el comportamiento, el perro puede realizar estas habilidades incluso sin estas recompensas, respondiendo directamente a las órdenes. Nuestro enfoque sigue un principio similar».

En lugar de depender de golosinas o juguetes, los investigadores utilizaron una varilla de entrenamiento como recompensa que un robot sigue durante el entrenamiento. El robot aprende nuevas habilidades y comportamientos interactuando con un usuario humano y siguiendo esta guía física.

«Una vez que el robot ha aprendido estos comportamientos, ya no requiere la varilla de entrenamiento y puede responder directamente a los gestos y las órdenes verbales», dijo Yoon. «Desde una perspectiva más técnica, nos centramos en la eficiencia de los datos, ya que la recopilación repetida de datos de interacción de los humanos puede ser rápidamente engorrosa».

El marco de trabajo desarrollado por los investigadores también incluye un módulo de reconstrucción de escenas, que recrea escenas en las que el robot interactuó con humanos en simulación. Estas escenas sirven como entornos de entrenamiento en los que el robot puede practicar nuevos comportamientos de forma independiente después de unas pocas interacciones en el mundo real con los humanos.

El equipo aplicó su marco de trabajo a un robot real de cuatro patas y descubrió que obtuvo resultados muy prometedores. El robot fue capaz de adquirir rápidamente nuevos comportamientos, como acercarse a un usuario, saltar obstáculos, seguir a alguien y zigzaguear alrededor de obstáculos con una tasa de éxito de la tarea del 97,15%.

Hacia robots con patas más inteligentes que adquieren habilidades más rápido

Este reciente estudio introduce un enfoque innovador que podría simplificar y acelerar el entrenamiento de robots con patas, al tiempo que hace que sus interacciones con los humanos sean más intuitivas. El marco de trabajo podría mejorarse aún más en breve, aplicarse a otros robots con patas y probarse en una gama más amplia de tareas.

«Los robots están empezando a permear los entornos domésticos cotidianos», dijo Yoon. «Incluso si los fabricantes proporcionan una amplia gama de habilidades integradas, siempre habrá limitaciones cuando se opere en entornos humanos complejos. Permitir a los usuarios enseñar nuevos comportamientos directamente puede ser una alternativa poderosa».

«Si los robots pueden aprender los comportamientos deseados a través de la interacción natural, en lugar de la programación o la intervención de expertos, los usuarios no expertos podrían adaptar los robots a sus propias necesidades con mayor facilidad».

El nuevo enfoque de entrenamiento de robots inspirado en el entrenamiento canino podría contribuir potencialmente al despliegue de robots en entornos cotidianos más diversos. Si bien los investigadores se han centrado hasta ahora en enseñar a los robots a moverse de formas específicas, ahora también intentarán aplicar su marco de trabajo a tareas que impliquen la manipulación de objetos.

«Pronto nos gustaría abordar también tareas de locomoción-manipulación que combinen movimiento e interacción con objetos», añadió Yoon.

«En este sentido, planeamos extender este marco de trabajo de enseñanza basado en la interacción a robots humanoides, permitiendo a los usuarios enseñar comportamientos complejos de todo el cuerpo a través de la interacción física y luego controlarlos utilizando gestos y órdenes verbales. Nuestro objetivo a largo plazo es construir robots que puedan aprender continuamente nuevas habilidades a través de la interacción humana natural y coexistir sin problemas con las personas en la vida cotidiana».

© 2026 Science X Network