Mostrando las entradas con la etiqueta robots autónomos. Mostrar todas las entradas
Mostrando las entradas con la etiqueta robots autónomos. Mostrar todas las entradas

lunes, 9 de noviembre de 2026

Cómo dos robots Henry aprendieron a combatir en simulación

James Bruton convirtió dos aspiradoras Henry en robots móviles capaces de enfrentarse de manera autónoma. Primero entrenó el comportamiento en una simulación y después trasladó el modelo a máquinas físicas con ruedas omnidireccionales, sensores de seguimiento y controladores Arduino Due.

Robot móvil construido con una aspiradora Henry durante una prueba de combate autónomo

El objetivo no era usar un chatbot

El proyecto no emplea un modelo de lenguaje para conversar ni para controlar el robot mediante instrucciones escritas. La técnica pertenece al aprendizaje profundo y al aprendizaje por refuerzo: el sistema recibe información del estado de la arena, elige una acción y obtiene una recompensa o una penalización según el resultado.

En términos sencillos, el modelo no recibe una lista completa de movimientos correctos. Prueba estrategias muchas veces y ajusta sus parámetros para aumentar la probabilidad de conseguir el objetivo. En este caso, una acción que acercara el robot al oponente o produjera un golpe podía recibir una recompensa definida por el creador. La función exacta de recompensa es importante porque condiciona lo que el robot aprende.

sábado, 12 de septiembre de 2026

Hackathon Micromaze enseña a construir y programar robots autónomos

Del 25 al 27 de agosto de 2026, miembros de UK RAS STEPS participaron en el Micromaze Robot Hackathon de la Universidad de York. Durante tres días, los equipos diseñaron, construyeron y programaron robots autónomos para superar mazes de dificultad creciente. El evento se realizó en el Institute for Safe Autonomy de la universidad.

Cada equipo utilizó una plataforma robótica personalizada con Raspberry Pi Pico W. Los participantes diseñaron un chasis cortado con láser, integraron motores y sensores, y desarrollaron el software de control en MicroPython.

Participantes ensamblan y programan pequeños robots autónomos con sensores en un laboratorio universitario

Qué construyeron los equipos

Los robots debían navegar mazes cada vez más complejos. Para ello, los equipos dispusieron de sensores ultrasónicos, infrarrojos y de tiempo de vuelo, además de instalaciones de corte láser e impresión 3D.

El reto final evaluó varios aspectos:

  • Rendimiento del robot en el maze.
  • Capacidad de evitar colisiones.
  • Diseño del robot.
  • Calidad del código.
  • Control inalámbrico.
  • Funciones innovadoras desarrolladas por cada equipo.

La actividad incluyó también una visita al Institute for Safe Autonomy, sesiones colaborativas de desarrollo, presentaciones finales y demostraciones de los robots.

sábado, 29 de agosto de 2026

SelfPath AI cambia la forma de enseñar rutas a los robots

Brain Corp presenta SelfPath AI como una evolución de la navegación robótica: en lugar de depender únicamente de una ruta que una persona enseña y el robot repite, el sistema puede evaluar un espacio, generar trayectorias de limpieza y ajustarlas cuando cambia la distribución. La tecnología está asociada a BrainOS Clean 2.0 y a robots de limpieza de Tennant; no se trata de una capacidad universal disponible en todos los robots.

Robot autónomo de limpieza ajusta su recorrido en el pasillo de una tienda

Del recorrido guiado a la planificación

El método conocido como “enseñar y repetir” requiere que un operador conduzca primero el robot por el trayecto deseado. El equipo registra esa ruta y luego la reproduce de forma autónoma. Es un procedimiento directo, pero puede requerir intervención si el diseño del lugar cambia o aparecen obstáculos en el recorrido.

Según Brain Corp, SelfPath AI permite que el robot evalúe el espacio y determine por sí mismo recorridos de limpieza. La empresa también afirma que puede reajustar la ruta cuando cambia la distribución del entorno. En vez de limitarse a repetir un trayecto previamente trazado, la máquina planifica cómo cubrir el área.

martes, 25 de agosto de 2026

Jetson Orin Nano 2 duplica la inferencia para robótica en el borde

NVIDIA anunció Jetson Orin Nano 2, una computadora de entrada para ejecutar inteligencia artificial en dispositivos compactos. La compañía afirma que ofrece el doble de rendimiento de inferencia que Jetson Orin Nano Super, manteniendo un formato similar, y que en modo de 15 vatios consume un 40% menos de energía para alcanzar un rendimiento equivalente.

El equipo está dirigido a robots, drones de entrega e inspección y sistemas de visión con IA que necesitan analizar datos cerca de donde se generan, en vez de enviar cada operación a un servidor remoto.

Módulo Jetson Orin Nano 2 integrado en un robot móvil con cámara y sensores para procesar IA localmente

Especificaciones anunciadas

Según NVIDIA, el Jetson Orin Nano 2 incluye:

  • 78 TOPS de capacidad de cómputo para IA.
  • 8 GB de memoria.
  • CPU Arm de ocho núcleos.
  • Un formato compacto comparable al de su antecesor.

La compañía atribuye el aumento de velocidad a mejoras en los Tensor Cores y a un mayor ancho de banda de memoria. TOPS significa billones de operaciones por segundo, una medida de capacidad de cálculo; no garantiza por sí sola que cada aplicación o modelo funcione exactamente el doble de rápido.