Macro Micro News Global Pulse. Local Truth.

Por qué fallan tus robots al verter líquidos: La solución de IA en dos etapas para el agarre específico

05 November 2026 · 2 min read

We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.

Article image by David Levêque
Image by David Levêque

La manipulación robótica lleva tiempo luchando contra una desconexión específica. Los sistemas tradicionales pueden identificar fácilmente múltiples formas de sostener un objeto basándose únicamente en la geometría. Sin embargo, a menudo fracasan al seleccionar la postura que permite realizar acciones posteriores con éxito. Imagina un robot sosteniendo perfectamente una tetera pero incapaz de verter el líquido porque ignoró la orientación funcional del asa. Un nuevo marco de trabajo en dos fases aborda este problema separando la generación del agarre del razonamiento semántico. Este enfoque mejora significativamente la precisión en la selección condicionada por la tarea.

La arquitectura opera en dos fases distintas para resolver este problema. En la primera fase, un Modelo de Lenguaje y Visión identifica las regiones relevantes para la tarea dentro de una observación RGB-D. Esto guía la segmentación y la generación de candidatos de agarre plausibles en 6 grados de libertad mediante GraspNet. El resultado es un conjunto de propuestas que son geométricamente sólidas y están vinculadas a áreas funcionales específicas. En la segunda fase, se utiliza un crítico estructurado basado en VLM para clasificar estos candidatos fundamentados. Evalúa su compatibilidad con la tarea prevista en lugar de depender únicamente de puntuaciones geométricas. Este enfoque acotado evita que el modelo genere posturas sin restricciones. En su lugar, selecciona de un conjunto validado de identificadores de candidatos.

Una evaluación exhaustiva realizada en 60 pruebas físicas completas del sistema mostró una tasa de éxito general del 63,3 %. Las pruebas cubrieron tareas como recoger y colocar objetos al azar, golpear con un martillo y verter líquidos. Experimentos controlados de repetición revelaron variaciones significativas en el rendimiento dependiendo de la elección del VLM. Gemini 3 Flash Preview surgió como el mejor performer para la localización en la Fase 1. Logró una precisión del 95,0 % con la menor latencia. Para la clasificación en la Fase 2, GPT-5.6 Sol demostró una fiabilidad superior. Aseguró una tasa Top-1 de validez de tarea del 92,9 % y mostró la mayor consistencia en inferencias repetidas.

Este estudio destaca que la finalización de tareas físicas y el comportamiento específico del modelo capturan diferentes aspectos de la robustez del sistema. El análisis de sensibilidad mostró que los cambios en la evidencia de candidatos previos podían alterar las selecciones finales de agarre. Esto enfatiza la necesidad de evaluar ambas fases de manera conjunta. Al separar el aislamiento semántico de la auditoría de candidatos, este marco proporciona una base más clara para evaluar sistemas robóticos basados en VLM. Va más allá de las métricas de éxito simples para entender dónde y por qué las decisiones tienen éxito o fracasan. Esta metodología ofrece un camino escalable para integrar el razonamiento de alto nivel en el control robótico de bajo nivel. Garantiza que los robots no solo agarren objetos, sino que lo hagan de una manera que cumpla instrucciones humanas complejas.