Investigadores españoles enseñan a los robots a decidir no solo qué hacer, sino cuándo actuar

La robótica autónoma avanza hacia una nueva frontera: máquinas capaces de aprender no solo qué decisión tomar, sino también en qué momento resulta más adecuado hacerlo. Investigadores del Instituto de Investigación en Ingeniería Mecatrónica y Sistemas Ciberfísicos de la Universidad de Málaga (IMECH.UMA) han desarrollado un enfoque de inteligencia artificial que introduce el tiempo como un factor central en el aprendizaje de los robots.

La investigación se enmarca en el proyecto TYRELL (Time in Reinforcement Learning for Robotics), financiado por el Ministerio de Ciencia, Innovación y Universidades, y aborda una limitación habitual del aprendizaje por refuerzo, una de las técnicas de inteligencia artificial más utilizadas para dotar de autonomía a los sistemas robóticos.

Hasta ahora, muchos sistemas de navegación robótica toman decisiones a intervalos de tiempo fijos, definidos de antemano por quienes diseñan el sistema. El equipo malagueño plantea, en cambio, que esa frecuencia pueda adaptarse a cada circunstancia. "Al igual que una persona no necesita reaccionar con la misma frecuencia cuando conduce por una autopista que cuando maniobra para aparcar, un robot tampoco debería tomar decisiones siempre al mismo ritmo", explica Juan Antonio Fernández Madrigal, investigador principal del proyecto.

La clave está en que no todos los entornos exigen el mismo nivel de atención. En zonas con obstáculos, incertidumbre o posibles riesgos, el robot debe reaccionar con rapidez. En escenarios más estables, puede mantener una acción durante más tiempo, lo que reduce el consumo energético y el esfuerzo computacional sin comprometer la seguridad.

"Nuestro robot aprende automáticamente cuándo necesita prestar mucha atención al entorno y cuándo puede mantener una acción durante más tiempo porque el riesgo es menor. Estos mapas reflejan esa intensidad temporal de la atención y permiten aprovechar mucho mejor el tiempo de cómputo, algo especialmente importante en robots de pequeño tamaño", señala Adrián Bañuls Arias, primer autor del artículo e investigador predoctoral del proyecto.

Para lograrlo, los investigadores han desarrollado los denominados 'Mapas de Tiempo Subjetivo' (Subjective Time Maps), una representación del entorno que permite al robot aprender qué frecuencia de decisión resulta más adecuada en cada zona. Con este método, el sistema puede reaccionar de forma ágil ante situaciones complejas y espaciar sus decisiones cuando el entorno lo permite, mejorando al mismo tiempo la seguridad, la precisión de la navegación y la eficiencia energética y computacional.

Resultados publicados en una revista internacional

Los resultados más recientes han sido publicados en la revista internacional 'Computer Modeling in Engineering & Sciences'. En el artículo, el equipo demuestra que este enfoque permite optimizar la navegación autónoma incluso en condiciones complejas, como incertidumbres en la localización del robot o retrasos en las comunicaciones.

El proyecto también apuesta por la ciencia abierta, con la publicación de bibliotecas de software, simuladores y conjuntos de datos experimentales que facilitan la reproducción y validación de los resultados por parte de otros grupos de investigación.

TYRELL reúne a investigadores de la Universidad de Málaga, la Örebro University (Suecia) y la École Polytechnique Fédérale de Lausanne (EPFL) (Suiza). Su objetivo es estudiar cómo la dimensión temporal puede mejorar el aprendizaje tanto en robots móviles como en manipuladores robóticos, con posibles aplicaciones en logística, agricultura, inspección industrial, robótica de servicios y misiones de búsqueda y rescate.

La línea de trabajo apunta a una generación de robots más eficiente y adaptable, capaz de ajustar su comportamiento a las condiciones cambiantes del entorno y de aprovechar mejor los recursos de cálculo disponibles, una cuestión clave para el despliegue de sistemas autónomos en escenarios reales.