DONIC enseña a una sola política a controlar dos manos: 86,79% de éxito sin ajuste fino

Un equipo de investigadores ha presentado DONIC, una política unificada para controlar dos manos robóticas diestras que reproduce movimientos humanos al manipular objetos. Un solo checkpoint, sin ningún ajuste fino, resuelve el 86,79% de las trayectorias desconocidas con objetos conocidos y el 57,32% con objetos que no aparecieron en el entrenamiento. Frente a los mejores baselines existentes de tracking bimanual, la ventaja es de 77,36 y 45,73 puntos porcentuales, respectivamente.

Si se resta esa diferencia de los resultados, los competidores lograban en torno al 9% con objetos conocidos y cerca del 12% con objetos nuevos. Es decir, hasta ahora el tracking bimanual funcionaba a un nivel próximo al «casi nunca».

Por qué dos manos son más difíciles que una multiplicada por dos

Hasta ahora, el tracking de movimientos de referencia para manos diestras se ha desarrollado sobre todo en torno a una sola mano y a un conjunto reducido de interacciones. La vida real es distinta: desenroscar una tapa, sostener una caja por debajo y por el lateral, pasar un objeto de una palma a otra. Todo ello exige que las dos manos desempeñen papeles distintos y los intercambien en el momento justo.

Hay dos problemas. El primero es que escasean los datos de manipulación bimanual con abundantes contactos. El segundo es que, con cada mano adicional, la complejidad de coordinar los contactos crece de forma abrupta: el error de una mano rompe el agarre de la otra. Por eso, hasta ahora no existía un tracker bimanual universal.

BiHOI: los datos que faltaban

Los autores empezaron por el dataset. BiHOI es un conjunto multivista de 1575 secuencias con 229 objetos, centrado en la interacción bimanual prolongada y no en contactos breves. Las interacciones reconstruidas a partir de vídeo se retargetean a referencias para el robot, es decir, los movimientos humanos se convierten en trayectorias que una mano robótica puede ejecutar. DONIC se entrenó simultáneamente con distintas categorías de manipulación y diversas fuentes de movimiento humano, y esa mezcla es importante para la generalización.

El bucle en el que el robot aprende de sus propios aciertos

El entrenamiento combina proximal policy optimization y behavioral cloning. Ambos funcionan en un bucle de retroalimentación: las ejecuciones que superan la verificación de éxito vuelven al entrenamiento como demostraciones. La propia política va ampliando su conjunto de buenos ejemplos.

Otras dos decisiones afectan a las recompensas y a la estimación de la ventaja:

• Object-centered per-hand reward. La recompensa está ligada al movimiento del objeto, de modo que se conserva la retroalimentación sobre lo que le ocurre. Al mismo tiempo, cada mano se evalúa según su papel de contacto en la referencia. • Clip-Centered Advantages. El método elimina los sesgos de la ventaja que dependen de una referencia concreta, pero mantiene las diferencias dentro de la trayectoria. La lógica es esta: los clips varían notablemente en dificultad y, sin centrado, el entrenamiento tendería a favorecer los fáciles.

Juntas, estas decisiones permiten que una sola política aprenda manipulaciones coordinadas a partir de referencias heterogéneas.

Parámetros clave

• Primer tracker bimanual universal, entrenado a la vez con varias categorías de manipulación y fuentes de movimiento • BiHOI: 1575 secuencias, 229 objetos, multivista • 86,79% de éxito en trayectorias nuevas de objetos conocidos • 57,32% en objetos reservados (held-out) • Ventaja sobre los mejores baselines: 77,36 y 45,73 p. p. • Un solo checkpoint, sin ajuste fino

A quién le servirá primero

A quienes construyen humanoides y manipuladores con manos diestras. El cuello de botella está en los datos y el control, no en el hardware: si las demostraciones humanas pueden convertirse de forma fiable en referencias bimanuales y una política unificada las ejecuta, la recopilación de datos mediante vídeo y teleoperación pasa a ser una cadena de producción viable. Esta política puede servir como ejecutor de bajo nivel, y por encima se puede colocar un planificador o un modelo de lenguaje que defina qué hay que hacer exactamente.

La limitación también se ve en las cifras. Con objetos nuevos el éxito es del 57,32%, lo que significa que casi una de cada dos veces el sistema sigue fallando. Para la industria o el hogar es insuficiente, pero como base de investigación y referencia de generalización, el resultado es sólido. Ahora se puede medir y mejorar la generalización a la forma y al peso de objetos desconocidos sobre un dataset común y con una línea base clara.