Parece que cada semana hay un nuevo vídeo de un robot doblando ropa. Hemos tenido algunas demostraciones fantásticas, como este vídeo semiautónomo de Weave Robotics en X.
Es algo increíble, pero Weave está lejos de ser la única empresa que produce este tipo de videos. La figura 02 está doblando la ropa.. La figura 03 está doblando ropa.. Inteligencia Física lanzó su modelo insignia de visión-lenguaje-acción, pi0, con un Increíble vídeo de un robot doblando ropa. después de descargar una lavadora. Puedes ver robots doblando ropa. en vivo en exposiciones de robótica. Incluso antes de todo esto, Google mostró ropa doblada en su trabajo, ALOHA desatada. Tecnología 7X ¡Incluso planea vender robots para doblar ropa!
Y además de doblar ropa real, hay otras tareas similares a doblar ropa, como la de Dyna. plegado de servilletas– lo que lleva a lo que probablemente sea mi top vídeo de robot del año, demostrando 18 horas de doblado continuo de servilletas. Entonces, ¿por qué todas estas empresas de manipulación robótica de repente están por cerrar?
Razón 1: Básicamente no podíamos hacer esto antes
hay trabajo retrocediendo más de una década que muestra una cierta cantidad de ropa robótica doblando. Pero estas demostraciones fueron extremadamente frágiles, extremadamente lentas y ni siquiera remotamente listas para producción. Existían soluciones anteriores (¡incluso soluciones basadas en el aprendizaje!), pero dependían de una calibración precisa de la cámara o de características cuidadosamente diseñadas a mano, lo que significa que estas demostraciones de doblado de ropa generalmente funcionaban solo en un robot, en un entorno, y es posible que solo hubieran funcionado una sola vez, lo suficiente para grabar un video de demostración o enviar un documento.
Con un poco de ayuda de una camiseta con diseños creativos, PR2 estaba doblando cosas en 2014.Bosch/IEEE
Echa un vistazo a este ejemplo del PR2 de UC Berkeley ropa plegable de 2014. De hecho, este robot utiliza una política de red neuronal. Pero esa política es muy pequeña y frágil; recoge y coloca objetos sobre el mismo fondo verde, se mueve muy lentamente y no puede manejar una amplia gama de camisetas. Para que esto funcione en la práctica se necesitarían modelos más grandes, previamente entrenados con datos a escala web, y técnicas mejores y más generales para el aprendizaje por imitación.
Y así, 10 años después, con los datos de demostración adecuados, muchas empresas emergentes y laboratorios de investigación diferentes han podido implementar demostraciones de plegado de ropa; es algo que hemos visto en numerosos aficionados y nuevas empresas, que utilizan herramientas muy similares (como LeRobot de HuggingFace), sin especialización intensa.
Razón 2: ¡Se ve genial y la gente lo quiere!
Muchos de nosotros que trabajamos en robótica tenemos esta “estrella del norte” de un robot mayordomo que puede hacer todas las tareas que no queremos hacer. Si se menciona el plegado de ropa, muchas, muchas personas comentarán que no quieren volver a doblar ropa nunca más y que están dispuestas a gastar prácticamente cualquier cantidad de dinero para que eso suceda.
Esto también es importante para las empresas involucradas. Empresas como Figure y 1x han estado recaudando grandes cantidades de dinero basándose en la idea de que podrán automatizar muchos trabajos diferentes, pero cada vez más estas empresas parecen querer empezar en casa.
Dyna Robotics puede doblar un número indefinido de servilletas de forma indefinida.Dyna Robotics
Y eso es parte de la magia de estas demostraciones. Si bien son lentos e imperfectos, todos podemos empezar a imaginar cómo esta tecnología se convierte en lo que todos queremos: un robot que pueda existir en nuestra casa y mitigar todas esas molestias cotidianas que ocupan nuestro tiempo.
Razón 3: Evita aquello en lo que los robots todavía son malos
Estos comportamientos de los robots son producidos por modelos entrenados mediante aprendizaje por imitación. Métodos modernos de aprendizaje por imitación como Política de Difusión utilizan técnicas inspiradas en la IA generativa para producir trayectorias de robots complejas y diestras, basadas en ejemplos de comportamiento humano experto que se les ha proporcionado, y a menudo necesitan muchas, muchas trayectorias. La obra ALOHA desatada de Google es un gran ejemplo: se necesitan unas 6.000 demostraciones para aprender, por ejemplo, a atarse los cordones de los zapatos. Para cada una de estas demostraciones, un humano piloteó un par de brazos robóticos mientras realizaba la tarea; Todos estos datos se utilizaron luego para preparar una política.
Necesitamos tener en cuenta lo difícil de estas manifestaciones. Las manifestaciones humanas nunca son perfectas ni perfectamente consistentes; por ejemplo, dos manifestantes humanos nunca agarrarán exactamente la misma parte de un objeto con precisión submilimétrica. Esto es potencialmente un problema si quieres atornillar una cubierta encima de una máquina que estás construyendo, pero no es un problema en absoluto para doblar ropa, lo cual es bastante indulgente. Esto tiene dos efectos colaterales:
Es más fácil recopilar las demostraciones que necesitas para doblar ropa, ya que no necesitas desechar cada demostración de capacitación que esté un milímetro fuera de las especificaciones. Puedes usar hardware más barato y menos repetible para realizar la misma tarea, lo cual es útil si de repente necesitas una flota de robots que recopilen miles de demostraciones, o si eres un equipo pequeño con fondos limitados.
Por razones similares, es fantástico que con el plegado de tela puedas fijar tus cámaras en la posición correcta. Al aprender una nueva habilidad, necesita ejemplos de capacitación con “cobertura” del espacio de entornos que espera ver en el momento de la implementación. Entonces, cuanto más control tenga, más eficiente será el proceso de aprendizaje: menos datos necesitará y más fácil será obtener una demostración llamativa. Tenga esto en cuenta cuando vea un robot doblando cosas sobre una mesa sencilla o con un fondo extremadamente limpio; ¡Eso no es sólo un buen encuadre, sino que ayuda mucho al robot!
Y como nos hemos comprometido a recopilar una gran cantidad de datos (docenas de horas) para que esta tarea funcione bien, se cometerán errores. Es muy útil, entonces, si es fácil restablecer la tarea, es decir, restaurarla a un estado desde el cual puedas volver a intentar la tarea. Si algo sale mal al doblar la ropa, está bien. Simplemente levante el paño, déjelo caer y estará listo para comenzar de nuevo. Esto no funcionaría si, por ejemplo, estuvieras apilando vasos para guardarlos en un armario, ya que si tiras la pila o dejas caer uno al suelo, estás en problemas.
El plegado de la ropa también evita el contacto contundente con el medio ambiente. Una vez que se ejerce mucha presión, las cosas pueden romperse, la tarea puede volverse imposible de reajustar y las manifestaciones suelen ser mucho más difíciles de reunir porque las fuerzas no son tan fácilmente observables para la política. Y cada variación (como la cantidad de fuerza que se ejerce) terminará requiriendo más datos para que el modelo tenga “cobertura” del espacio en el que se espera que opere.
Qué esperar
Si bien ahora estamos viendo muchas demostraciones de doblado de ropa, todavía me siento, en términos generales, bastante impresionado con muchas de ellas. Como se mencionó anteriormente, Dyna fue una de mis demostraciones favoritas este año, principalmente porque las políticas de robots de mayor duración han sido muy raras hasta ahora. Pero pudieron demostrar el plegado de tiro cero (es decir, el plegado sin datos de entrenamiento adicionales) en un par de conferencias diferentes, incluida Actuar en San Francisco y el Conferencia sobre aprendizaje de robots (CoRL) en Seúl. Esto es impresionante y, de hecho, muy raro en la robótica, incluso ahora.
En el futuro, deberíamos esperar ver robots que puedan manejar interacciones más desafiantes y dinámicas con sus entornos: moverse más rápidamente, mover objetos más pesados y escalar o manejar terrenos adversos mientras realizan tareas de manipulación.
Pero por ahora, recuerde que los métodos de aprendizaje modernos tendrán sus propias fortalezas y debilidades. Parece que, aunque no es fácil, doblar ropa es el tipo de tarea que realmente se adapta bien a lo que nuestros modelos pueden hacer en este momento. Así que espere ver mucho más.
Publicado originalmente en {feed_name} el 19 de noviembre de 2025.
Ver fuente original
