Un trabajo publicado en Computer Modeling in Engineering & Sciences introduce una nueva representación espacio-temporal que permite a los robots adaptar dinámicamente el ritmo de sus decisiones para navegar de forma más segura y eficiente.
Proyecto TYRELL
- Proyecto: TYRELL – Time in Reinforcement Learning for Robotics (PID2023-147392NB-I00).
- Financiación: Proyectos de Generación de Conocimiento 2023 (MICIU/AEI) y Fondos FEDER.
- Duración: septiembre de 2024 – diciembre de 2028.
- Colaboración internacional: Universidad de Málaga, Örebro University (Suecia) y EPFL (Suiza).
- Objetivo: estudiar cómo la dimensión temporal puede mejorar el aprendizaje por refuerzo y el comportamiento de robots autónomos.
La mayoría de los robots autónomos aprenden qué hacer en cada situación. Investigadores del MAPIR (Machine Perception and Intelligent Robotics) del IMECH.UMA proponen ahora ir un paso más allá: que los robots aprendan también cuándo hacerlo.
Este es uno de los primeros resultados del proyecto TYRELL (Time in Reinforcement Learning for Robotics), una iniciativa financiada por el Plan Estatal de Investigación Científica, Técnica y de Innovación que estudia un aspecto todavía poco explorado de la inteligencia artificial aplicada a la robótica: la influencia del paso del tiempo en el aprendizaje por refuerzo (Reinforcement Learning).
El trabajo, recientemente publicado en la revista Computer Modeling in Engineering & Sciences, presenta una nueva representación del conocimiento denominada Subjective Time Maps (STM) o Mapas de Tiempo Subjetivo, que permite a un robot aprender automáticamente cuánto tiempo puede mantener una determinada acción antes de volver a analizar el entorno.
«El aprendizaje por refuerzo es una de las áreas de investigación en inteligencia artificial con mayor crecimiento, pero cuando se aplica a robots aparecen problemas específicos muy complejos. En nuestro proyecto estudiamos precisamente los efectos fundamentales que tiene el paso del tiempo sobre estos métodos de aprendizaje, un aspecto al que la comunidad científica ha prestado poca atención hasta ahora», explica Juan Antonio Fernández Madrigal, investigador principal del proyecto TYRELL.
Cuando el tiempo también forma parte del conocimiento
En la mayoría de los algoritmos de navegación, los robots toman decisiones a intervalos de tiempo fijos definidos previamente por el diseñador del sistema. Sin embargo, no todas las situaciones requieren el mismo nivel de atención.
En zonas con obstáculos o gran incertidumbre conviene reaccionar rápidamente, mientras que en otras el robot puede mantener una misma acción durante más tiempo, reduciendo el consumo energético y el esfuerzo computacional.
Los Mapas de Tiempo Subjetivo desarrollados por el equipo del IMECH.UMA incorporan esta dimensión temporal al proceso de aprendizaje. El robot no solo aprende el movimiento más adecuado, sino también el tiempo óptimo durante el cual puede ejecutarlo de forma segura, adaptándose a sus propias capacidades de percepción y actuación.
«Nuestro robot aprende automáticamente cuándo necesita prestar mucha atención al entorno y cuándo puede mantener una acción durante más tiempo porque el riesgo es menor. Estos mapas reflejan esa intensidad temporal de la atención y permiten aprovechar mucho mejor el tiempo de cómputo, algo especialmente importante en robots de pequeño tamaño», señala Adrián Bañuls Arias, primer autor del artículo e investigador predoctoral del proyecto.
Además, el trabajo integra la incertidumbre propia de la localización mediante filtros de partículas, consiguiendo mantener una elevada precisión sin incrementar significativamente la complejidad computacional. Los experimentos demuestran que esta representación espacio-temporal puede generalizarse a distintos entornos de navegación, mejorando tanto la seguridad como la eficiencia de los robots móviles.
Un proyecto internacional con aplicaciones transversales
Aunque este primer resultado se centra en la navegación autónoma de robots móviles, el proyecto TYRELL estudia de forma más amplia cómo influye el tiempo en los algoritmos de aprendizaje por refuerzo aplicados a diferentes plataformas robóticas, tanto móviles como manipuladores, en entornos simulados y reales.
El proyecto reúne investigadores de la Universidad de Málaga, la Örebro University (Suecia) y la École Polytechnique Fédérale de Lausanne (EPFL) (Suiza), y contempla también el desarrollo de herramientas de software y conjuntos de datos abiertos para facilitar la investigación en robótica inteligente.
La publicación forma parte de una línea de investigación orientada a desarrollar sistemas robóticos más eficientes, capaces de adaptar dinámicamente su comportamiento a las condiciones cambiantes del entorno y aprovechar mejor los recursos de cálculo disponibles.
Publicación científica:
Bañuls-Arias, A.; Galindo, C.; Cruz-Martín, A.; Castellano Quero, M.; Gandarias-Palacios, J.M.; Fernández-Madrigal, J.A.; Arévalo-Espejo, V.
Modeling Time-Aware Mobile Robot Navigation by Learning Subjective Time Maps (STM).
Computer Modeling in Engineering & Sciences, 2026.
https://doi.org/10.32604/cmes.2026.085976
La Sala de Prensa de la Universidad de Málaga también se hace eco de este avance del proyecto TYRELL desde una perspectiva divulgativa. Puedes leer la noticia completa aquí: https://www.uma.es/sala-de-prensa/noticias/nueva-generacion-de-robots-capaces-de-aprender-cuando-actuar/