Segun MarkTechPost (AI/ML News), un equipo compuesto por investigadores de Axis Robotics, Universidad de California en Berkeley, Georgia Tech y la Universidad de Nueva Zelanda ha desarrollado un nuevo enfoque para la generación de datos en entornos de manipulación robótica. Este avance, conocido como AXIS, busca solucionar una brecha crítica en el campo: mientras los modelos de inteligencia artificial han crecido exponencialmente en capacidad, los conjuntos de datos de demostraciones de robots han avanzado de forma muy lenta, debido a que su recolección se realiza de forma cerrada y centralizada. En este modelo tradicional, operadores expertos realizan demostraciones en equipos de laboratorio, procesan los datos fuera de línea y entregan un conjunto de referencia que no se actualiza posteriormente.
El sistema AXIS reestructura este proceso al mover la recolección de datos directamente al navegador del usuario. Mediante una interfaz basada en web, los operadores pueden controlar un robot Franka Research 3 equipado con un agarre de bisel mediante teclado, ratón, joystick virtual o dispositivo de juego. Las simulaciones físicas y el renderizado gráfico se ejecutan en el hilo de interfaz React, garantizando que las muestras de estado y acción se alineen con el entorno simulado. Los procesos más intensivos, como el renderizado gráfico y el entrenamiento, se desplazan a servidores con GPUs especializadas: ocho tarjetas RTX 4090 para el renderizado y ocho A100 para el entrenamiento y evaluación. Esta división permite mantener la interacción en tiempo real mientras se aprovechan recursos computacionales potentes en el backend.
Además, el sistema no depende de instrucciones manuales para crear tareas. Una herramienta llamada TaskGen analiza una instrucción en lenguaje natural y la descompone en configuraciones de tareas, escenas y objetos. A través de un proceso de transformación de imágenes a modelos 3D, se generan geometrías que luego se escalan a dimensiones físicamente realistas. Un supervisor de diseño verifica la configuración final y realiza ajustes automáticos, como reubicar o reorientar objetos cuando se detectan inconsistencias. Cada tarea incluye una secuencia de acciones y un entorno físico simulado, lo que permite un aprendizaje más dinámico y adaptativo.
El conjunto de datos completo, disponible en Hugging Face, alcanza una capacidad de 2.36 terabytes y está limitado al uso académico no comercial. Aunque el código de entrenamiento se ha liberado como una capa de actualización sobre OpenPI, no se han publicado checkpoints de políticas, lo que limita el acceso a versiones finales del modelo. La plataforma está disponible en cualquier navegador, lo que facilita su acceso inicial.
Para los lectores peruanos, este avance es un ejemplo claro de cómo los sistemas de inteligencia artificial pueden evolucionar al integrar interacciones reales y dinámicas en entornos accesibles. Aunque aún se encuentran limitaciones en términos de disponibilidad de datos y políticas de uso, el modelo AXIS sugiere un futuro donde los datos de entrenamiento no se fijan, sino que crecen continuamente, permitiendo que los robots aprendan en tiempo real. Esto podría transformar sectores clave como logística, manufactura o atención al cliente, donde la precisión y la flexibilidad en tareas repetitivas son esenciales.