Un avance revolucionario en la robótica social está cambiando la forma en que las máquinas aprenden a interactuar con los humanos. Investigadores han desarrollado un sistema de simulación que permite entrenar robots sociales sin requerir la participación de personas, lo que podría transformar los tiempos de desarrollo en este campo.
El estudio, presentado en la Conferencia Internacional sobre Robótica y Automatización (ICRA) 2025 de IEEE, fue realizado por un equipo de la Universidad de Surrey y la Universidad de Hamburgo. Su enfoque se basa en un modelo dinámico de predicción de trayectorias visuales que ayuda a los robots a anticipar hacia dónde mirarían naturalmente los humanos durante interacciones sociales.
"Nuestro método nos permite comprobar si un robot está prestando atención a los elementos correctos, tal como lo haría una persona, sin necesidad de supervisión humana en tiempo real", explica la Dra. Di Fu, co-líder del estudio y profesora de Neurociencia Cognitiva en la Universidad de Surrey.
El equipo de investigación validó su modelo utilizando dos conjuntos de datos públicos, demostrando que los robots humanoides pueden imitar con éxito los movimientos oculares humanos. Al proyectar mapas de prioridad de la mirada humana en una pantalla, compararon directamente el enfoque de atención predicho por el robot con datos del mundo real, eliminando la necesidad de estudios a gran escala de interacción humano-robot en las primeras fases de investigación.
Esta innovación resuelve un importante cuello de botella en el desarrollo de la robótica social. Anteriormente, los investigadores necesitaban numerosos participantes humanos para entrenar y probar robots diseñados para entornos sociales como la educación, la salud y el servicio al cliente. Ejemplos de estos robots incluyen a Pepper, un asistente en tiendas, y Paro, un robot terapéutico para pacientes con demencia.
Al permitir que los investigadores prueben y perfeccionen modelos de interacción social a gran escala mediante simulación antes de su implementación en el mundo real, este avance podría acelerar drásticamente el ciclo de desarrollo de robots sociales, reducir costos y mejorar su efectividad en entornos humanos.