Metodología
El controlador de movimiento PSA-PPO propuesto se integra con un módulo de percepción para localizar el punto de corte de la lechuga y un mecanismo de corte y sujeción desarrollados previamente, con el fin de crear un flujo de trabajo completo. La política se entrena íntegramente en simulación y se transfiere al robot físico sin ajuste fino en el mundo real.
Integración del efector final
La herramienta de cosecha adapta un efector final de corte y sujeción de lechuga desarrollado previamente para su accionamiento directo mediante una pinza OnRobot 2FG7. Los componentes rediseñados se modelaron en SolidWorks 2026 (Dassault Systèmes, Vélizy-Villacoublay, Francia) y se imprimieron en 3D mediante modelado por deposición fundida (FDM) con filamento de ácido poliláctico (PLA).
Los dedos originales de la 2FG7 se reemplazaron por soportes a medida con pares de dedos de sujeción y cuchillas de cizalla, conservando el principio de corte de palanca de primer género. Así, una sola acción de cierre de la pinza acciona el mecanismo de cizalla y, al mismo tiempo, sujeta la lechuga cortada para trasladarla.
Configuración experimental
El entrenamiento de PSA-PPO y la evaluación en simulación se realizaron con NVIDIA Isaac Lab en Isaac Sim 5.1.0, con el backend RSL-RL. El entrenamiento utilizó simulación paralela en GPU en una estación de trabajo con Ubuntu 22.04 LTS, equipada con dos procesadores Intel Xeon Gold, 256 GB de RAM y una GPU NVIDIA RTX A6000 con 48 GB de VRAM.
Las políticas candidatas se entrenaron sin interacción con el robot físico. El actor seleccionado se evaluó de forma determinista en un conjunto fijo de objetivos generados aleatoriamente que abarcaban el espacio de trabajo frontal prescrito. Los estudios de ablación mediante la eliminación de componentes se evaluaron con los mismos objetivos, lo que permitió una comparación pareada objetivo por objetivo con la formulación completa de PSA-PPO.
Los experimentos físicos utilizaron una plataforma móvil RB-VOGUI (Robotnik Automation, Paterna, España) equipada con un manipulador UR10e (Universal Robots, Odense, Dinamarca), una pinza OnRobot 2FG7 (OnRobot, Odense, Dinamarca) y una cámara RGB-D Intel RealSense D435i montada cerca del punto central de la herramienta.
El efector final adaptado se montó directamente en la 2FG7. Un ordenador integrado basado en Intel i7 ejecutó la percepción, la transformación de objetivos, la secuenciación de la cosecha, la inferencia determinista de PSA-PPO, la comunicación ROS 1 y el control de la pinza. El actor entrenado en simulación se transfirió a esta plataforma sin ajuste fino.
Diagnósticos cinemáticos y de trayectorias atípicas
En los conjuntos seleccionados mediante análisis de sensibilidad, Cartesian+TOTG no presentó ningún evento crítico de revolución de orientación, revolución de una sola articulación ni proximidad a singularidades. El conjunto seleccionado de RRTConnect contenía dos eventos de revolución de orientación, uno de revolución de una sola articulación, tres casos de proximidad a una singularidad de muñeca y un caso de proximidad a una singularidad de codo. El conjunto seleccionado de RRT contenía cuatro eventos de revolución de orientación, tres de revolución de una sola articulación, dos casos de proximidad a una singularidad de muñeca y un caso de proximidad a una singularidad de codo. Estos recuentos describen los subconjuntos de diagnóstico seleccionados, no la población completa de objetivos*.
La ejecución seleccionada de mayor prioridad del planificador se muestra junto a PSA-PPO en el mismo objetivo. El caso cartesiano es la anomalía no crítica mejor clasificada, ya que no había eventos cartesianos críticos en el conjunto seleccionado. Los ejemplos de RRTConnect y RRT* contienen eventos de diagnóstico críticos según la regla de auditoría predefinida. Estos ejemplos ilustran únicamente el comportamiento de cola y no se clasifican como eventos de colisión.
Disponibilidad del código
El código fuente y los materiales de apoyo estarán disponibles tras la publicación en el repositorio de GitHub de los autores.
Agradecimientos
Esta investigación cuenta con el apoyo parcial del Programa Hatch del Fondo de Capacidad de Investigación del Instituto Nacional de Alimentación y Agricultura (NIFA) del Departamento de Agricultura de los Estados Unidos (USDA): TEX09954 (N.º de acceso 7002248), y del Programa Hatch Multistatal del Fondo de Capacidad de Investigación: TEX0-1-9916 (N.º de acceso 7008389).
Esta publicación también cuenta con el apoyo del programa de financiación Targeted Proposal Teams (TPT) de la División de Investigación de Texas A&M University y de Texas A&M AgriLife Research. Las opiniones, los hallazgos, las conclusiones y las recomendaciones expresados en esta publicación pertenecen a los autores y no deben interpretarse como una determinación o política oficial del USDA ni del Gobierno de los Estados Unidos.
Preguntas frecuentes
¿Cómo se entrena y despliega la política PSA-PPO? Se entrena íntegramente en simulación y se transfiere al robot físico sin ajuste fino en el mundo real.
¿Qué plataforma robótica se utilizó en los experimentos físicos? Los experimentos utilizaron una plataforma móvil RB-VOGUI con un manipulador UR10e, una pinza OnRobot 2FG7 y una cámara Intel RealSense D435i.
¿Cómo corta y sujeta la lechuga el efector final adaptado? Una sola acción de cierre de la pinza acciona el mecanismo de cizalla y sujeta la lechuga cortada mediante pares de dedos de sujeción.
¿Se clasificaron como colisiones los ejemplos de trayectorias de diagnóstico? No. Ilustran el comportamiento de cola y no se clasifican como eventos de colisión.