
Los humanoides ya corren y boxean, pero aún no saben lavar la ropa
Un académico de la Universidad Metropolitana de Cardiff explica por qué doblar una polera dice más de la inteligencia de un robot que correr 100 metros en 8,64 segundos.
13 notas publicadas

El modelo aprende sobre todo de video en tercera persona y ya lo prueban Noble Machines, Standard Bots y Ultra en su propio hardware antes del lanzamiento público.

El controlador del Toyota Research Institute combina cámara RGB-D, tacto distribuido y cinemática analítica para anticipar cómo se forman, deslizan y se rompen los contactos.

El Toyota Research Institute propone comparar políticas de manipulación con inferencia válida en cualquier momento, y detener el experimento apenas la evidencia alcanza la confianza pedida.

La política de manipulación de Reward AI aprende de personas que usan un guante sensorizado y después corre en brazos industriales y humanoides, sin teleoperación ni datos tomados desde el robot.

La empresa dice que sensar bajo la piel evita el desgaste que sufren las capas eléctricas pegadas a la superficie, y muestra cifras de resolución y de fuerza.

El salto es una secuencia ensayada y previsible, mientras la ropa cambia de forma en cada intento. Por eso la mano quedó como la pieza más difícil del robot doméstico.

El modelo de OpenAI terminó 7 de las 100 pruebas de manipulación de StationeryBench, mientras MolmoAct2 no cerró ninguna con el mismo robot de dos brazos.

Laboratorios académicos y startups corren por armar bases de datos táctiles masivas, el insumo que a los modelos visión-lenguaje-acción todavía les falta para manipular objetos pequeños.

Los Juegos Mundiales de Robots Humanoides cerraron en Beijing con 600 equipos y récords de velocidad, pero la prueba realmente difícil fue tomar porotos con pinzas.

El modelo de Generalist AI copia una habilidad nueva a partir de 3 a 12 segundos de datos sensoriomotores, sin ajuste fino ni pasos de gradiente, con 59% de éxito promedio.

La empresa australiana Contactile propone VμA, una clase de modelos que suma el coeficiente de fricción como entrada directa para que los robots manipulen objetos sin fallar.

KinetIQ Ascend usa aprendizaje por refuerzo en el mundo real para pasar del 78% al 99% en manipulación bimanual y elevar 42% el throughput de una línea de bearings.
Otros temas que aparecen junto a #manipulacion en nuestra cobertura editorial.