La manipulación robótica sigue avanzando gracias a la inteligencia artificial. La firma londinense Humanoid presentó la semana pasada KinetIQ Ascend, su enfoque de aprendizaje por refuerzo (RL) diseñado para alcanzar 99,9% de confiabilidad en manipulación a velocidad humana o superior.

"La carrera humanoide se está convirtiendo en una cuestión de escala, y el RL en el mundo real puede ser una parte central de la respuesta", declaró Jarad Cannon, chief technology officer de Humanoid. "Robots que antes requerían meses de tuning manual ahora superan las demostraciones humanas en cuestión de días."

Humanoid construye robots humanoides con la meta de convertirse en la empresa número uno de robótica humanoide industrial de propósito general dentro de dos años. Fundada por Artem Sokolov en 2024, tiene más de 250 ingenieros, investigadores e innovadores provenientes de las principales tech companies del mundo.

Con oficinas en Londres, Boston, Vancouver y San Diego, Humanoid dice que construye sistemas comercialmente viables, escalables y seguros para aplicaciones del mundo real. En mayo la empresa se asoció con Bosch y Schaeffler para escalar la producción de sus robots HMND.

¿Qué es la "capability factory" de KinetIQ Ascend?

Humanoid describe a KinetIQ como su marco de IA propietario de cuatro capas diseñado para despliegue en el mundo real. KinetIQ Ascend se construye sobre la plataforma KinetIQ previa mediante aprendizaje por ensayo y error, ayudando a los robots de la empresa a mejorar directamente en tareas industriales.

"KinetIQ Ascend, nuestro método de RL en el mundo real, ofrece un enfoque nuevo para desarrollar capacidades robóticas", dijo Cannon. "En vez de gastar meses recolectando datos y ajustando manualmente cada habilidad nueva, podemos partir de un comportamiento básico y dejar que RL lo refine hasta convertirlo en una capacidad lista para despliegue. Es un proceso que describimos como construir una 'fábrica de capacidades', y marca el paso de los robots humanoides desde demos impresionantes a herramientas de las que la industria realmente puede depender."

Resultados: los tres tests que muestra Humanoid

Humanoid probó KinetIQ Ascend en varias tareas, incluyendo picking de piezas desde contenedores, entrega de objetos a humanos, y levantamiento y movimiento de containers usando dos brazos robóticos. El sistema demostró ser efectivo en un rango de escenarios de manipulación, según la empresa.

Alimentación de máquina (picking single-arm): en una aplicación de machine-feeding un robot tomó aros de rodamiento de acero desde un bin y los colocó sobre un conveyor. KinetIQ Ascend subió el throughput un 42%, permitiendo al robot operar a 1,5 veces la velocidad de las demostraciones humanas de las que originalmente aprendió.

Handover desde tote desordenado: otra tarea consistió en tomar ítems desde un tote desordenado y entregárselos a una persona. El mismo enfoque incrementó el throughput un 85% mientras subió las tasas de éxito del 80% al 98%. En escenarios de manipulación cada vez más complejos, KinetIQ Ascend siguió entregando mejoras significativas.

Manipulación bimanual de tote: en una tercera tarea de tote bimanual, el robot levantó un tote desde una mesa usando ambos brazos. KinetIQ Ascend más que dobló el throughput, y las tasas de éxito subieron del 78% al 99%. Eso representa una reducción de fallas de aproximadamente 20 veces, con todos los resultados alcanzados después de solo unos pocos días de entrenamiento.

¿Por qué importa que RL escale a 100%?

Humanoid dice que los resultados demuestran una nueva vía para desarrollar capacidades robóticas, efectiva en un rango de tareas operacionales reales que va desde picking single-arm de alta velocidad hasta manipulación bimanual compleja.

KinetIQ Ascend también mostró que el desempeño del robot mejora de forma predecible a medida que aumenta el tiempo de entrenamiento. Es similar a cómo los large language models (LLMs) mejoran a medida que se les da más cómputo y datos. La empresa sostiene que la tendencia de escalamiento observada, respaldada por experimentos de simulación, sugiere que el método escala hasta el 100% de confiabilidad.

El enfoque nuevo también reveló dos hallazgos adicionales: mejorar solo la parte más difícil de un workflow puede mejorar la tarea entera, y los robots fueron capaces de generalizar a objetos que no habían visto durante el entrenamiento.

Humanoid detalló todos estos hallazgos en un nuevo reporte técnico, que entrega la metodología completa detrás de KinetIQ Ascend, incluyendo la infraestructura de entrenamiento, las soluciones algorítmicas y un análisis más profundo de los resultados.

Comparación con la competencia humanoide

Los números de Humanoid se leen distinto según con quién se los compare. Figure AI anunció en marzo su modelo Helix con manipulación single-arm en el 92% de las pruebas caseras, sin cifra bimanual publicada. 1X Technologies publicó números de handover al 95% en su plataforma NEO. Boston Dynamics presentó su Atlas eléctrico con actualización trimestral de manipulación en agosto, todavía sin thresholds de 99% en pruebas industriales publicadas.

En este contexto, alcanzar 99% de éxito en manipulación bimanual tras pocos días de entrenamiento es la métrica más agresiva del segmento humanoide industrial. Falta ver los siguientes trimestres para saber si el número se sostiene fuera del entorno controlado del laboratorio y si escala a los HMND que Bosch y Schaeffler están produciendo.

Contexto para América Latina

La industria automotriz y de manufactura de precisión chilena, mexicana y brasileña sigue siendo el mercado natural para robots industriales colaborativos. Chile en particular tiene un parque de cobots creciente en minería (aún baja penetración humanoide) y en la cadena agroindustrial. Los robots HMND que Humanoid fabricará con Bosch y Schaeffler apuntan a workflows industriales que podrían encajar con esas líneas locales, aunque el timing de despliegue en LatAm todavía no está confirmado y el precio unitario de un humanoide industrial en ese segmento suele empezar en USD 80.000 según los reportes actuales del sector.