El humanoide Unitree G1 con el método Reflex atrapa cajas de hasta 2 kg lanzadas desde 7 metros

El robot humanoide Unitree G1 ha aprendido a atrapar cajas de hasta 2 kg que le lanzan desde una distancia de hasta 7 metros. El resultado es de un equipo conjunto de la University of Washington, USC, la National University of Singapore, UNC Chapel Hill y el Allen Institute for AI. El método se llama Reflex. El robot ve la caja solo a través de una cámara RGB-D en el torso y tiene para todo ello alrededor de un segundo: lo que tarda el objeto en volar.

Por qué atrapar una caja es más difícil de lo que parece

La mayoría de las demostraciones con humanoides se basan en acciones predecibles: caminar, levantar objetos de una mesa, bailar. Un objeto estático se puede observar todo el tiempo que haga falta, pero uno en vuelo no espera. En un segundo, el sistema tiene que detectar la caja, estimar su posición y velocidad, predecir la trayectoria y llevar los brazos y el torso hasta el punto de intercepción. Un error de unos pocos centímetros significa que la caja golpea el antebrazo y cae.

La particularidad de este planteamiento es que el robot no cuenta con un sistema externo de captura de movimiento ni con sensores en la propia caja. La única fuente de datos sobre el objeto es una cámara RGB-D fijada al torso. Aporta color y profundidad, pero con ruido y una frecuencia de fotogramas limitada. En el laboratorio es fácil eliminar esa limitación con «ojos externos»; por eso, apostar por la visión a bordo indica que el resultado se acerca más a las condiciones reales.

Qué se sabe del sistema

La descripción publicada permite extraer estos parámetros:

• plataforma: robot humanoide Unitree G1;
• método: Reflex;
• masa de la caja: hasta 2 kg;
• alcance del lanzamiento: hasta 7 m;
• tiempo de vuelo: cerca de 1 segundo;
• sensor: cámara RGB-D en el torso, sin sistema externo de mocap.

En el anuncio original no vemos estadísticas de capturas exitosas, frecuencia de control, arquitectura de la política ni método de entrenamiento (simulación, transferencia a la realidad, datos de demostraciones). Sin estas cifras no se puede decir hasta qué punto es fiable el método con distintas trayectorias, iluminación y formas de objetos. Conviene comprobarlo en el artículo y en los materiales adjuntos: son especialmente interesantes la proporción de intentos exitosos en los lanzamientos largos y el comportamiento cuando la cámara queda parcialmente tapada.

Por qué importa la composición del equipo

Entre los participantes hay universidades con sólida tradición en robótica y visión por computador, además del Allen Institute for AI, que suele asociarse más con los modelos de lenguaje y la investigación abierta. Esta mezcla apunta a una tendencia: la IA física deja de ser territorio exclusivo de unos pocos laboratorios de robótica. La plataforma también es significativa. El Unitree G1 es un humanoide relativamente accesible, y otros grupos pueden reproducir un resultado en él con más facilidad que en robots artesanales que cuestan cientos de miles de dólares.

Conclusión práctica

Para ingenieros e investigadores, Reflex es interesante como tarea de referencia: interceptación dinámica con una sola cámara en un segundo. Sirve como prueba para los propios sistemas de percepción y control: si el vuestro no puede con una caja de 2 kg, está lejos de funcionar en un almacén con paquetes cayendo.

Para las empresas, el panorama exige más cautela. Atrapar objetos en el aire es, por ahora, una demostración de capacidad de reacción rápida, y no una solución lista para la logística. Antes de lanzar pilotos conviene preguntar a los autores tres cosas: el porcentaje de éxito en una serie de lanzamientos, la sensibilidad a la forma y la masa de la carga, y la carga sobre los procesadores del robot. Si las respuestas resultan convincentes, el siguiente paso es evidente: combinar este reflejo con una planificación a nivel de tareas, en la que el modelo entienda qué atrapar y para qué.