(Nota del editor: Mel Torrie, cofundador y CEO de Autonomous Solutions Inc., será ponente en RoboBusiness. Conozca más sobre las ideas que moldean el futuro de la robótica y escuche directamente a los líderes de la industria en RoboBusiness, del 20 al 21 de octubre en Santa Clara, California.)
La era de la automatización simple ha terminado. Durante décadas, la promesa de la autonomía se juzgaba bajo una sola pregunta: ¿Puede una máquina operar de forma segura sin intervención humana continua? Hoy, esa interrogante ha sido resuelta. La pregunta definitoria para la próxima generación de tecnología industrial es ahora: ¿Con qué inteligencia pueden las máquinas percibir el mundo que las rodea, tomar decisiones complejas y responder en tiempo real?
Este cambio es significativo porque la autonomía ya no trata solo de habilidades motrices robóticas. Abarca la conciencia de la máquina, la toma de decisiones dinámica, la coordinación entre múltiples vehículos y la precisión espacial a gran escala. En entornos industriales donde cada decisión operativa conlleva implicaciones financieras y de seguridad, los sistemas de visión avanzados se han convertido en uno de los aceleradores más importantes de lo que pueden lograr las máquinas autónomas.
¿Cómo integrar inteligencia en flotas existentes?
Para muchos profesionales industriales, el desafío no es solo comprar nueva tecnología; es integrar inteligencia en sitios y activos existentes sin desmantelar todo lo que ya funciona. A través de actualizaciones de visión independientes del hardware (hardware-agnostic), los administradores pueden transformar el equipo actual en plataformas autónomas de alto rendimiento sin quedar atrapados en el ecosistema de un solo proveedor.
Este enfoque es importante tanto en la práctica como en la economía. Reduce la presión de reemplazar completamente flotas que requieren gran inversión de capital, mientras se obtienen las ganancias en productividad, seguridad y utilización que ofrece la operación autónoma. En Autonomous Solutions Inc. (ASI), hemos construido nuestra plataforma Mobius® bajo este principio desde el principio, porque los operadores industriales a los que servimos no pueden permitirse esperar un ciclo completo de reemplazo de flota antes de comenzar a obtener los beneficios de la autonomía.
¿Por qué el GPS ya no es suficiente para la autonomía?
Durante años, el GPS fue tratado como los ojos de la máquina autónoma. Pero no lo es. El GPS le dice a una máquina dónde está. No puede decirle a una máquina qué hay frente a ella, qué está a punto de cruzar su camino o si la ruta por delante ha cambiado desde la última vez que fue transitada.
Nuestro equipo en ASI aprendió esto por las malas. Al principio de nuestras implementaciones, especificamos sensores de grado automotriz, que eran los mejores disponibles en ese momento. En menos de un año, el polvo, la vibración y las temperaturas extremas de una mina activa produjeron una tasa de fallos del 100%. Tuvimos que reconstruir toda nuestra especificación de sensores desde cero, diseñando para condiciones de campo en lugar de aquellas encontradas en un entorno controlado.
Esa experiencia moldeó todo sobre cómo ASI aborda la percepción hoy. Un camión de acarreo navegando por una intersección a 45 grados de calor, rodeado de nubes de polvo, transportando una carga útil de 200 toneladas, con un vehículo ligero cruzando su camino a 80 metros de distancia, requiere un sistema de visión diseñado para esa realidad específica, no adaptado de una plataforma de vehículo de consumo. Las máquinas que fallan en estas condiciones casi siempre lo hacen, no debido al control motor o la planificación de rutas, sino debido a la percepción. No podían ver lo que necesitaban ver, cuando necesitaban verlo.
La verdadera percepción autónoma requiere inteligencia en el borde (edge intelligence): procesar transmisiones de visión en el vehículo, en tiempo real, sin depender de conectividad de red o computación centralizada. Una máquina debe detectar humanos cerca de su trayectoria, predecir su movimiento y determinar la respuesta más segura en milisegundos. No cuando los datos llegan a un servidor.
¿Cuál es el costo real de los fallos en percepción?
La automatización tradicional ha funcionado mejor en entornos estructurados y predecibles con rutas fijas, caminos claramente marcados y movimientos repetitivos en espacios controlados. Pero la mayoría de los sitios de trabajo industriales del mundo real son todo menos predecibles. Las zonas de construcción cambian a diario. Los campos agrícolas varían con el clima y las estaciones. Los sitios mineros evolucionan continuamente a medida que avanza la extracción.
El costo de equivocarse en la percepción dentro de estos entornos no es abstracto. El tiempo de inactividad no planificado en una gran operación minera o de construcción puede costar decenas de miles de dólares por hora. Una sola colisión entre un vehículo autónomo y una máquina tripulada puede detener un sitio completo, activar una investigación de seguridad y erosionar la confianza organizacional de la que dependen los programas autónomos para sobrevivir y escalar. Vimos esta dinámica repetirse en nuestras primeras implementaciones, lo que nos llevó a tratar la percepción no como una característica de la autonomía, sino como algo fundamental.
La autonomía inteligente y con conciencia espacial utiliza la percepción probabilística para anticipar y navegar obstáculos imprevistos en lugar de simplemente detenerse cuando son detectados. Esa distinción entre un sistema que se detiene y uno que razona es donde residen las verdaderas ganancias de productividad. Es también la razón por la cual la flexibilidad y el costo de integración del hardware de visión importan casi tanto como la plataforma de autonomía subyacente. Las arquitecturas de sensores independientes del hardware permiten a los operadores optimizar la percepción para su entorno específico y actualizarse a medida que la tecnología mejora, sin estar bloqueados en la hoja de ruta de un solo proveedor.
¿Cómo lograr redundancia en la percepción robótica?
El movimiento autónomo se está convirtiendo en un problema resoluble. El contexto y la conciencia siguen siendo la parte difícil.
El futuro de la confiabilidad industrial reside en la fusión de LiDAR, cámaras CMOS y radar; no como respaldos redundantes, sino como capas de percepción complementarias donde cada una ve lo que las otras no pueden. El LiDAR proporciona un mapeo espacial preciso. Las cámaras ofrecen la riqueza contextual necesaria para distinguir a una persona de un poste. El radar opera a través del polvo, la niebla y condiciones que derrotan por completo a los sensores ópticos.
Al integrar la redundancia en la capa de percepción, nos aseguramos de que las máquinas autónomas no solo se muevan, sino que operen con la conciencia situacional que los operadores humanos experimentados tardan carreras completas en desarrollar, y que puedan hacerlo continuamente, en condiciones que ningún operador humano debería soportar.
En ASI, hemos registrado 4,5 millones de millas autónomas y casi 400 millones de toneladas de material en algunos de los entornos operativos más exigentes del mundo. Cada una de esas millas nos enseñó algo sobre lo que las máquinas necesitan ver y lo que sucede cuando no pueden hacerlo. La próxima era de la autonomía industrial no será definida por las máquinas que se mueven, sino por las máquinas que realmente ven.
Sobre el autor
Mel Torrie creció en una granja en Alberta, Canadá, lo que lo motivó a estudiar y automatizar sus tractores. Obtuvo una maestría en Ingeniería Eléctrica en la Universidad Estatal de Utah y comenzó a investigar en robótica hace 28 años. Mel y su equipo fundaron Autonomous Solutions Inc. (ASI) en el año 2000 y han financiado la empresa mediante asociaciones con los fabricantes de equipos originales (OEM) de robótica de campo más grandes del mundo.
Vía The Robot Report.
