Conjuntos de datos sobre escritura humana
Se han propuesto varios conjuntos de datos para estudiar la escritura y el dibujo humanos. Los primeros trabajos, como la base de datos de escritura IAM, y conjuntos más recientes, como EMNIST, recopilaron caracteres manuscritos en formatos de imagen estandarizados para tareas de reconocimiento; otros estudios más recientes han incorporado información temporal y cinemática.
Sin embargo, la mayoría de los conjuntos de datos existentes siguen basándose en imágenes y, en aquellos que incluyen información dinámica, normalmente solo se registran la posición y el ritmo de los trazos, sin prestar demasiada atención a la fuerza de contacto. Aunque algunos conjuntos, como OnHW, incorporan modalidades de sensorización adicionales, suelen recopilarse en entornos no estructurados, donde los participantes escriben libremente sobre papel sin recibir indicaciones sobre la estructura, la escala o el orden de los trazos, mientras los sensores registran datos durante todo el proceso. Esto genera una gran variabilidad y hace que estos conjuntos resulten menos adecuados para su uso directo en flujos de aprendizaje robótico o para producir trayectorias coherentes con los requisitos del control robótico. Por tanto, su utilidad para aprender movimientos similares a los humanos en tareas de interacción física es limitada.
En cambio, durante la recopilación de datos se utiliza la teleoperación de un robot simulado, incorporando restricciones realistas, como una velocidad máxima del efector final, que obliga a los participantes a adaptar sus trayectorias. Además, la interfaz guía el uso de plantillas de caracteres predefinidas, un tamaño de fuente determinado y un orden concreto de los trazos. El resultado son demostraciones estructuradas y coherentes, más adecuadas para entrenar y evaluar métodos de aprendizaje destinados a generar trayectorias robóticas.
Aprendizaje robótico a partir de demostraciones con GMM+GMR
El aprendizaje a partir de demostraciones permite que los robots adquieran nuevas habilidades observando demostraciones humanas, en lugar de depender de una programación explícita. Este enfoque reduce las dificultades de programar robots y permite que usuarios sin conocimientos especializados les enseñen nuevas tareas de forma intuitiva.
Los enfoques más recientes de aprendizaje por imitación, como las políticas basadas en difusión y los modelos de secuencias de acciones basados en transformadores, pueden modelar secuencias de acciones prolongadas y aprovechar conjuntos de demostraciones de mayor tamaño. Sin embargo, normalmente requieren más datos y recursos computacionales, y suelen ser menos interpretables que los modelos probabilísticos de trayectorias. Para el contexto restringido y con pocos datos que se aborda en este trabajo, el Modelo de Mezcla Gaussiana y la Regresión de Mezcla Gaussiana ofrecen un equilibrio práctico entre capacidad expresiva, interpretabilidad, eficiencia computacional y facilidad de implementación.
En la mayoría de los enfoques de aprendizaje a partir de demostraciones basados en GMM+GMR, el espacio de entrada se limita principalmente a la posición espacial y el tiempo, y se presupone que las trayectorias son continuas. Este estudio amplía ambos aspectos: incorpora la fuerza y el tiempo normalizado como dimensiones adicionales, lo que permite representar con mayor riqueza la dinámica humana y facilita la integración de otras modalidades; además, adapta el marco a trayectorias no continuas compuestas por múltiples segmentos. Asimismo, los datos suelen recopilarse mediante teleoperación o guiando manualmente el efector final del robot, dos procedimientos que introducen la dinámica del robot en las trayectorias registradas y dificultan aislar el movimiento generado exclusivamente por la persona.
Movimiento robótico similar al humano y evaluación con usuarios
Este trabajo captura la dinámica del movimiento humano a partir de demostraciones de los 52 caracteres del alfabeto, en mayúsculas y minúsculas, y presenta una evaluación centrada en los usuarios para determinar hasta qué punto las trayectorias de escritura aprendidas se ajustan a la percepción humana de la dinámica del movimiento.
Metodología
Se realizaron dos estudios independientes con usuarios. En el primero se recopilaron datos de trayectorias de escritura humana mientras los participantes teleoperaban un robot simulado, registrando posición, velocidad y fuerza. En el segundo se evaluó si el robot entrenado con estos datos producía movimientos similares a los humanos en comparación con las fuentes originales. Se eligieron las 26 letras del alfabeto latino, tanto en mayúsculas como en minúsculas. Estas letras son muy no lineales y complejas, e incluyen discontinuidades que dificultan su programación manual.
Participantes
Para cada fase del estudio se reclutaron grupos independientes de participantes, con el fin de garantizar que los evaluadores no supieran previamente que el movimiento del robot se había entrenado a partir de demostraciones humanas. En total participaron 43 personas: 22 contribuyeron a la fase de recopilación de demostraciones y 21 evaluaron hasta qué punto el movimiento robótico resultante parecía humano.
En el primer estudio participaron 22 personas: 14 hombres y 8 mujeres, con edades de entre 22 y 57 años (M = 31,45, SD = 10,60). De ellas, 21 eran diestras y 1 zurda. En cuanto a la experiencia con lápices digitales, 11 indicaron que los utilizaban ocasionalmente, 6 con frecuencia, 4 nunca y 1 solo una o dos veces.
En el segundo estudio participaron 21 personas: 14 hombres y 7 mujeres, con edades de entre 21 y 53 años (M = 27,24, SD = 8,47).
Ética
Ambas fases del estudio fueron aprobadas por el Comité de Ética de la Investigación de la University of the West of England (referencia: 13470965). Antes de solicitar su consentimiento, todos los participantes recibieron una hoja informativa. Los formularios de consentimiento firmados se recopilaron antes del inicio de los experimentos.
Durante todo el estudio se adoptaron las medidas pertinentes para garantizar la confidencialidad de los participantes y la seguridad de los datos. Los participantes conservaron el derecho a retirarse en cualquier momento y a solicitar la eliminación de sus datos hasta siete días después de su participación.
Conjunto de datos de entrada humana
Se muestra, en vistas bidimensionales y tridimensionales, un ejemplo de la trayectoria de la B mayúscula correspondiente a la segunda repetición del participante dos. Los ejes x e y representan la posición en milímetros; el eje z representa la marca temporal en segundos; y el mapa de colores muestra la fuerza de contacto en newtons: el azul indica una fuerza menor y el rojo, una fuerza mayor.
Algoritmo de aprendizaje
El aprendizaje del movimiento robótico a partir de demostraciones humanas se implementa mediante GMM+GMR. Se introducen dos adaptaciones específicas para satisfacer los requisitos del aprendizaje de trayectorias de escritura.
En primer lugar, el vector de estado se amplía más allá de las coordenadas espaciales para incluir la fuerza de contacto y el tiempo normalizado como dimensiones adicionales aprendidas. De este modo, el robot puede reproducir no solo la geometría de la escritura, sino también su dinámica y su comportamiento durante el contacto.
En segundo lugar, antes del entrenamiento se aplica una etapa de detección de segmentos. Esta divide cada demostración en trazos individuales y entrena cada segmento por separado, lo que permite evitar la degradación de la trayectoria causada por las discontinuidades que aparecen cuando el lápiz se levanta entre trazos.
Cada trayectoria demostrada se representa mediante un vector de estado de cuatro dimensiones:
El vector de estado contiene la posición bidimensional, la fuerza de contacto y el tiempo normalizado en cada instante.
Discusión
Las trayectorias generadas cubren un espacio similar al de las demostraciones humanas, pero presentan duraciones más uniformes y perfiles de fuerza más suaves, lo que refleja el efecto regularizador del algoritmo de aprendizaje.
El conjunto de demostraciones humanas revela la variabilidad natural inherente a la escritura. La duración osciló entre 0,302 y 14,674 s, con una desviación estándar de 1,543 s, mientras que la fuerza de contacto varió entre 0,100 y 5,380 N. Estos valores reflejan las notables diferencias individuales entre participantes y repeticiones.
A pesar de esta variabilidad, el conjunto captura colectivamente las características espaciales y dinámicas de cada carácter, y proporciona una base suficientemente rica para el aprendizaje probabilístico. La similitud entre las longitudes medias de las trayectorias humanas, de 65,31 mm, y las generadas por el robot, de 63,87 mm, confirma que el enfoque GMM+GMR conserva eficazmente la estructura espacial.
Este estudio realiza tres contribuciones al aprendizaje robótico a partir de demostraciones:
- Proporciona un conjunto de datos de escritura disponible públicamente que registra posición, tiempo y fuerza, ofreciendo un recurso para comparar métodos de aprendizaje.
- Amplía el marco GMM+GMR con la fuerza de contacto y el tiempo normalizado, lo que le permite capturar la dinámica completa de las demostraciones humanas más allá de las trayectorias espaciales y generar trayectorias complejas, compuestas por múltiples segmentos y con discontinuidades.
- Presenta una evaluación con usuarios de las trayectorias generadas mediante un robot simulado, aportando evidencia empírica de su semejanza percibida con el movimiento humano.
Este trabajo demuestra una interfaz basada en pantalla táctil para enseñar a un robot mediante demostración física sin necesidad de conocimientos de programación, reduciendo las barreras para una interacción accesible entre personas y robots. Aunque se ha validado con caracteres del alfabeto latino, en principio el flujo de trabajo puede aplicarse a cualquier trayectoria compleja sobre una superficie, lo que apunta a un potencial de uso más amplio en tareas que requieran movimientos similares a los humanos.
Entre las limitaciones se encuentran el tamaño de las muestras —22 y 21 participantes— y el uso de un único entorno de laboratorio en cada estudio, factores que pueden limitar la generalización de los resultados. No se registraron las transiciones en el espacio libre entre trazos, por lo que se recurrió a una interpolación lineal, y tampoco se registró la orientación del lápiz durante la teleoperación.
La ausencia de una condición de control con una trayectoria programada de antemano limita la comparación directa. Las demostraciones siguieron pautas predefinidas que quizá no reflejen las estrategias individuales de escritura, lo que podría limitar la generalización. Los estilos más expresivos, como la escritura cursiva o caligráfica —en los que la orientación del lápiz y la modulación de la fuerza desempeñan un papel más importante— quedan pendientes para trabajos futuros.
Por último, la evaluación se realizó con un robot simulado y no con un sistema físico debido a las limitaciones de acceso al hardware. Por ello, quizá no refleje por completo las condiciones de una implementación en el mundo real.
Conclusión
Los resultados demuestran que el aprendizaje probabilístico a partir de demostraciones es eficaz para generar trayectorias similares a las humanas. Además, el conjunto de datos y la implementación, disponibles públicamente, ofrecen un recurso de referencia de código abierto.
Preguntas frecuentes
¿Qué datos registra el conjunto de datos de escritura? El conjunto registra datos de posición, tiempo y fuerza de contacto obtenidos a partir de demostraciones humanas.
¿Cómo contribuye GMM+GMR al aprendizaje de trayectorias de escritura? Modela la posición espacial, la fuerza de contacto y el tiempo normalizado, y entrena cada trazo por separado para gestionar las discontinuidades.
¿Cuántas personas participaron en los dos estudios? Participaron 43 personas en total: 22 recopilaron datos de demostraciones y 21 evaluaron el movimiento robótico.
¿Cuáles son las principales limitaciones del estudio? Entre las limitaciones se incluyen los grupos reducidos de participantes, el uso de un único entorno de laboratorio, la ausencia de la orientación del lápiz y de las transiciones en el espacio libre, y la evaluación con un robot simulado en lugar de uno físico.