4.1 Representaciones basadas en el estado y propioceptivas
Las representaciones del entorno basadas en el estado ofrecen interpretabilidad y eficiencia de datos, y permiten aprender políticas con precisión. Sin embargo, dependen de una percepción y un modelado exactos del entorno, lo que limita su capacidad para escalar a aplicaciones reales, donde rara vez se dispone de información tan completa.
Los estudios sobre aprendizaje robótico destacan que los métodos que requieren representaciones precisas tienen dificultades en entornos no estructurados, donde los estados del entorno son inciertos o solo pueden observarse parcialmente.
4.2 Representaciones visuales para el aprendizaje robótico
Aunque las representaciones 2D pueden proporcionar a los robots información de alto nivel sobre el entorno, no permiten modelar estimaciones de profundidad, estructura espacial ni características temporales, que pueden aportar información valiosa para las tareas posteriores de aprendizaje robótico. Esto impulsa la incorporación de puntos de vista y modalidades sensoriales adicionales que permitan a los robots percibir y comprender mejor lo que los rodea.
4.3 Representaciones multivista
A diferencia de las representaciones 2D, que codifican información desde un único punto de vista o cámara, las representaciones multivista incorporan información visual procedente de varias cámaras para superar la ambigüedad de representación propia de la percepción desde una sola vista.
Los primeros trabajos sobre representaciones multivista demostraron que la selección activa del punto de vista y el movimiento de la cámara mejoraban considerablemente la comprensión visual al revelar partes ocultas del entorno. Estos resultados impulsaron el uso de múltiples cámaras, tanto fijas como móviles, en el aprendizaje robótico.
Los enfoques recientes de aprendizaje multivista aplicados al aprendizaje robótico emplean codificadores compartidos para procesar por separado la información visual de cada vista y, después, combinarla entre los distintos puntos de vista mediante una fusión basada en la atención.
Los transformers son especialmente adecuados para esta tarea, ya que la autoatención permite al modelo asociar características correspondientes entre distintas vistas y razonar sobre su coherencia espacial. Así, estos modelos pueden aprender representaciones latentes menos sensibles a la ubicación de las cámaras, lo que contribuye a mejorar la robustez y la capacidad de generalización de la política durante el despliegue.
5. Modelos de visión-lenguaje-acción para el aprendizaje robótico
Esta sección examina distintos paradigmas arquitectónicos, centrándose en cómo conectan las representaciones de visión y lenguaje con las acciones robóticas. En las diferentes familias de modelos VLA, esta conexión depende de cómo se representan las acciones, cómo se entrena su predicción, cómo se incorpora la estructura temporal y cómo se gestionan las restricciones específicas de cada plataforma, la retroalimentación y el anclaje físico.
Las técnicas de modelado generativo, en particular los modelos de difusión y el flow matching, se han consolidado como herramientas potentes para generar acciones dentro de los marcos VLA.
Las representaciones 2D, 3D y espaciotemporales introducidas en las secciones anteriores influyen en el diseño y mejoran el rendimiento de los sistemas modernos de aprendizaje robótico.
7.1 Líneas futuras
En última instancia, el objetivo del aprendizaje robótico no es simplemente construir sistemas capaces de transformar observaciones en acciones o generar predicciones plausibles sobre el futuro, sino desarrollar agentes autónomos que puedan ayudar en el mundo real mediante la creación de modelos internos del entorno, el razonamiento sobre la incertidumbre y el cambio, y una actuación eficaz para realizar tareas, fundamentada físicamente en la estructura subyacente del entorno.
Para lograrlo, será necesario pasar de mejorar componentes individuales a comprender cómo interactúan, y de optimizar el rendimiento en pruebas aisladas a diseñar sistemas capaces de operar de forma fiable en un mundo abierto.
En este sentido, integrar comprensión, acción y razonamiento no es solo una propiedad deseable de los sistemas del futuro, sino un paso necesario hacia un aprendizaje robótico escalable y de propósito general.
Preguntas frecuentes
¿Qué limita las representaciones robóticas basadas en el estado al desplegarlas en el mundo real? Dependen de una percepción y un modelado precisos del entorno, algo que rara vez está disponible de forma completa durante el despliegue en el mundo real.
¿Por qué son útiles las representaciones multivista para el aprendizaje robótico? Combinan información de varios puntos de vista para reducir la ambigüedad de la percepción desde una sola vista y revelar partes ocultas del entorno.
¿Cómo contribuyen los transformers al aprendizaje multivista? La autoatención ayuda a asociar características correspondientes entre distintas vistas y a razonar sobre su coherencia espacial.
¿Cuál es el objetivo futuro del aprendizaje robótico unificado? El objetivo es desarrollar agentes autónomos capaces de comprender el mundo real, razonar sobre él y actuar eficazmente, manteniendo al mismo tiempo un anclaje físico.