El equilibrio de dos ruedas con IA en una minicargadora deja abierto el caso fuera de lo nominal
ETH Zurich e Intel entrenaron un control de aprendizaje por refuerzo para equilibrar una minicargadora John Deere 332G sobre sus ruedas delanteras, pero el éxito decayó cuando el brazo de la cuchara quedó fuera del rango de ángulos entrenado.
El Laboratorio de Sistemas Robóticos de ETH Zurich, en colaboración con Intel, informó en Science Robotics el 11 de noviembre que el control mediante aprendizaje por refuerzo permitió a una minicargadora John Deere 332G elevarse sobre sus dos ruedas delanteras, equilibrarse y aterrizar. El punto sin resolver es hasta qué punto se mantiene ese equilibrio una vez que la máquina sale de las condiciones con las que fue entrenada.
La fuente describe el mecanismo como un modelo de movimiento aprendido. El equipo midió propiedades físicas como la longitud y el centro de masa, introdujo comandos de control en el tren de transmisión hidráulico real durante aproximadamente una hora y media, y utilizó las respuestas para construir una red neuronal que predice el movimiento. Luego se ejecutó aprendizaje por refuerzo en simulación, con masa, inercia y error de sensores variados para reducir la brecha entre lo real y lo virtual.
Esa brecha se manifestó en el ángulo del brazo de la cuchara. A 28 y 31 grados, la cargadora completó todas las pruebas de elevación; a 34 grados, fuera del rango de entrenamiento, tuvo éxito en 11 de 14. Si esa degradación importaría en trabajos de movimiento de tierras es una pregunta, no un hallazgo.
El detalle concreto que aún debe demostrarse es la generalización más allá de las configuraciones entrenadas, algo que el plan declarado del equipo de añadir cámaras y lidar podría abordar.