Los paletas están por todas partes, pero entrenar a los robots para que las apilen con productos lleva mucho tiempo. Resolver este problema podría ser un logro tangible para los robots comerciales impulsados por IA
Antes de que casi cualquier artículo llegue a su puerta, atraviesa la cadena de suministro global en un palé (paleta). Solo en Estados Unidos hay más de 2.000 millones de paletas en circulación y se exportan anualmente en ellos productos por valor de 400.000 millones de dólares. Sin embargo, cargar cajas en estos palets es una tarea que pertenece al pasado: las cargas pesadas y los movimientos repetitivos dejan a los trabajadores en un alto riesgo de sufrir lesiones y, en los raros casos en que se utilizan robots, se tarda meses en programarlos mediante ordenadores portátiles que han cambiado poco desde la década de 1980.
Jacobi Robotics, una startup surgida de los laboratorios de la Universidad de California en Berkeley, afirma que puede acelerar enormemente ese proceso con un software de comando y control de IA. Los investigadores abordaron la paletización, una de las tareas más comunes en los almacenes, principalmente como una cuestión de planificación del movimiento: ¿cómo lograr que un brazo robótico recoja cajas de diferentes formas y las apile de manera eficiente en un palé sin atascarse? Y todo ese cálculo también tiene que ser rápido, porque las líneas de producción están produciendo más variedades de productos que nunca, lo que significa cajas de más formas y tamaños.
Después de mucho ensayo y error, los fundadores de Jacobi, entre ellos el roboticista Ken Goldberg, dicen que lo han logrado. Su software, basado en la investigación de un artículo que publicaron en Science Robotics en 2020, está diseñado para funcionar con los cuatro principales fabricantes de brazos robóticos para paletización. Utiliza el aprendizaje profundo para generar un «primer borrador» de cómo un brazo podría mover un artículo sobre el palé. Luego utiliza métodos robóticos más tradicionales, como la optimización, para verificar si el movimiento se puede realizar de forma segura y sin fallas.
Jacobi pretende reemplazar los métodos tradicionales que los clientes utilizan actualmente para entrenar a sus robots. En el enfoque convencional, los robots se programan utilizando herramientas llamadas «pendientes de enseñanza» y los clientes generalmente tienen que guiar manualmente al robot para demostrar cómo recoger cada caja individual y colocarla en el palé. Todo el proceso de codificación puede llevar meses. Jacobi dice que su solución impulsada por IA promete reducir ese tiempo a un día y puede calcular movimientos en menos de un milisegundo. La empresa dice que planea lanzar su producto a finales de este mes.
Se están invirtiendo miles de millones de dólares en robótica impulsada por IA, pero la mayor parte del entusiasmo se centra en los robots de próxima generación que prometen ser capaces de realizar muchas tareas diferentes, como el robot humanoide que ayudó a Figure a recaudar 675 millones de dólares de inversores, incluidos Microsoft y OpenAI, y alcanzar una valoración de 2.600 millones de dólares en febrero. En este contexto, el uso de IA para entrenar a un mejor robot apilador de cajas puede parecer bastante básico.
De hecho, la ronda de financiación inicial de Jacobi es trivial en comparación: 5 millones de dólares liderados por Moxxie Ventures. Pero en medio de la expectación en torno a los prometidos avances en robótica que podrían tardar años en materializarse, la paletización podría ser el problema de almacenamiento que la IA está mejor preparada para resolver a corto plazo.
“Tenemos un enfoque muy pragmático”, afirma Max Cao, cofundador y director ejecutivo de Jacobi. “Estas tareas están a nuestro alcance y podemos lograr una gran adopción en un plazo breve, a diferencia de algunas de las grandes empresas que existen”.
El software de Jacobi incluye un estudio virtual donde los clientes pueden construir réplicas de sus configuraciones, capturando factores como qué modelos de robot tienen, qué tipos de cajas saldrán de la cinta transportadora y en qué dirección deben estar orientadas las etiquetas. Un almacén que mueva artículos deportivos, por ejemplo, podría usar el programa para determinar la mejor manera de apilar un palé mixto de pelotas de tenis, raquetas y ropa. Luego, los algoritmos de Jacobi planificarán automáticamente los muchos movimientos que debe realizar el brazo robótico para apilar el palé, y las instrucciones se transmitirán al robot.
El enfoque combina los beneficios de la computación rápida proporcionada por la IA con la precisión de las técnicas robóticas más tradicionales, dice Dmitry Berenson, profesor de robótica en la Universidad de Michigan, que no está involucrado con la empresa.
“Están haciendo algo muy razonable”, dice. Muchas investigaciones modernas en robótica apuestan fuerte por la IA, con la esperanza de que el aprendizaje profundo pueda aumentar o reemplazar el entrenamiento manual haciendo que el robot aprenda de ejemplos pasados de un movimiento o tarea determinados. Pero al asegurarse de que las predicciones generadas por el aprendizaje profundo se cotejen con los resultados de métodos más tradicionales, Jacobi está desarrollando algoritmos de planificación que probablemente sean menos propensos a errores, dice Berenson.
La velocidad de planificación que podría resultar “está llevando esto a una nueva categoría”, agrega. “Ni siquiera notarás el tiempo que lleva calcular un movimiento. Eso es realmente importante en el entorno industrial, donde cada pausa significa demoras”
