Robots from the laboratory to real industrial applications, far more complex than imagined.

El año pasado, el campo de la investigación en robótica logró varios avances — tecnologías como VLA, Sim2Real, generalización entre diferentes ontologías y manipulación hábil son bastante sólidos. Pero lo interesante es que los enfoques más avanzados en el mundo académico y en la industria son completamente diferentes; lo que preocupa a los equipos de aprendizaje automático y a las empresas que realmente fabrican robots industriales, hay un abismo difícil de cruzar entre ambos.

Los principales obstáculos están en tres áreas: primero, los datos utilizados para entrenamiento suelen ser muy diferentes del entorno real de despliegue, y un conjunto de datos anotado puede fallar en la línea de producción. Segundo, la investigación generalmente evalúa el rendimiento promedio, pero en aplicaciones industriales lo que más preocupa son esas situaciones extremas, donde un error puede significar un coste elevado. Tercero, el rendimiento y la latencia están siempre en conflicto; los modelos rápidos no son lo suficientemente precisos, y las soluciones precisas no pueden responder en tiempo real. Si no se resuelven estos tres puntos, incluso las mejores publicaciones técnicas no serán más que papel mojado.