Tiempo de lectura: 12 minutos

Robótica Industrial. En los últimos años se habla mucho de la industria 4.0 como la nueva revolución que da paso de lo físico a lo digital, que conecta todos los dispositivos de la cadena de producción gracias al IoT o internet de las cosas, que permite monitorizar todos los procesos industriales en tiempo real y que gracias a las nuevas tecnologías en inteligencia artificial brinda de un análisis más preciso, predictivo y eficiente de los datos. Además, da la posibilidad de automatizar ciertos procesos capacitando de inteligencia a las maquinas capaces de solventar muchas tareas con rapidez y mejores resultados que el que podemos obtener nosotros como humanos.

Es probable que esta revolución no afecte solamente a la cadena de producción y la manera en que se trabaja en la industria, sino que revolucionara directamente a la sociedad y como las empresas interactúan con sus clientes, así como el cambio en los roles de los empleados que precisaran de un mayor conocimiento técnico para el mantenimiento de los sistemas y dispositivos dentro de la cadena de valor en un cada más exigente sector industrial y la robótica industrial.

**Figura 1.** Inteligencia artificial en la industria 4.0. Fuente: Autracen (2022)

Robótica industrial

Hoy en día no es nada raro al entrar en una planta de producción encontrar multitud de aplicaciones de robótica industrial, brazos robóticos realizando tareas repetitivas que permiten incrementar la producción automatizando ciertos procesos de paletizado o des paletizado, montaje, soldadura, manipulación, movimientos de cargas, pintado, embalaje, inspección y controles de calidad, entre muchos otros. Los robots industriales llevan más de 40 años en el sector industrial y desde que empezaron a introducirse como una herramienta fundamental en los procesos de automatización de la industria, la evolución tanto del hardware como del software ha sido exponencial, así como los casos de uso. A parte del conocidísimo y extendido brazo robótico industrial, es muy habitual poder encontrar otros robots que forman parte de la rutina de muchísimas fábricas en los diferentes sectores de la industria. Actualmente podríamos destacar:

Brazo robótico industrial: En robótica Industrial, es un brazo mecánico programable, capaz de realizar tareas repetitivas sin descanso en sustitución del operario humano. Pueden llegar a mover pequeños o grandes pesos dependiendo del modelo de robot a una alta cadencia, aumentando los procesos de producción y reduciendo los costes de estos. Un punto importante es el factor de seguridad, que gracias a una estricta normativa asegura e intenta evitar accidentes. Podríamos destacar los robots de 6 ejes como uno de los más extendidos, aunque hay muchas otras opciones dependiendo el caso de uso o los requerimientos de la aplicación como los robots araña, los scara o los cartesianos.

**Figura 2.** Diferentes tipos de robots industriales. Fuente: sicma21 (2021)

Cobots: En robótica industrial, los robots colaborativos tienen un objetivo similar al de los brazos robóticos con la principal diferencia que están diseñados para poder trabajar con personas. Habitualmente mueven cargas menos pesadas y a menor velocidad y disponen de sensores de fuerza o intensidad en sus ejes permitiendo el paro de emergencia automático en caso de obstrucción o choque. Esto permite colocar los cobot dentro del proceso productivo sin barreras y en colaboración con los operarios. Suelen ser fácilmente programables de manera que no requieren de operarios con un alto nivel técnico para poder manipularlos.

AGV: Los vehículos guiados automatizados son un tipo de robot que se mueven dentro de un espacio sin necesidad de un conductor. Son muy habituales en logística para el transporte de cargas o productos, aunque se han extendido en otros sectores industriales para cargar y descargar de forma autónoma a los servicios de transporte, trasladar bultos o transportar cargas entre diferentes puntos de la fábrica. Podemos encontrar diferentes opciones o tecnologías que usan filoguiado, visión artificial, laser, entre otros para poder reconocer el entorno y poderse mover con seguridad y eficiencia por él.

Drones: Similar a los agv, los drones son vehículos aéreos no tripulados. Actualmente no están tan extendidos en la industria como los casos anteriores y son habitualmente controlados de forma remota, aunque los drones autónomos se encuentran en una fase de desarrollo muy avanzada. Son muy útiles para inspección de áreas de gran extensión o difícil acceso y por este motivo suelen incorporar cámaras de visión para realizar controles de calidad de estructuras o líneas de alta tensión, mapas topográficos, control de plagas en agricultura, entre otros casos de uso.

Inteligencia artificial en la robótica industrial

A pesar de lo rápido que está evolucionando el campo de la inteligencia artificial y los grandes avances que se han conseguido en os últimos años, hay una paradoja generalizada sobre como muchas tareas que para los humanos son innatas son muy difíciles o prácticamente imposibles de solventar mediante modelos de inteligencia artificial, por ejemplo tener emociones o simplemente vaciar un lavavajillas, mientras que otras tareas que para nosotros son muy difíciles de realizar, la inteligencia artificial es capaz de solventar sin que sepamos con exactitud como ha llegado a dar un resultado en concreto, como por ejemplo predecir el sexo de una persona simplemente analizando la retina de una foto del fondo de su ojo, algo que aun la comunidad de expertos en oftalmología no saben muy bien cómo hacer.

Algunos estudios sugieren que las funciones de las manos y los dedos que realizamos sin pensar, en realidad se realizan en función de la enorme cantidad de información almacenada en el cerebro. Por lo tanto, estudiar el desarrollo en la robótica de dichas funciones es un problema difícil de solventar que se relaciona directamente con el estudio de la inteligencia humana.

Una estrategia para robotizar los procesos de fabricación es adquirir un comportamiento de trabajo humano, donde actualmente se están estudiando modelos de Reinforcement Learning para enseñar a los robots a imitar y aprender a base de prueba y error.

**Figura 6.** Robot haciendo cubo rubik Fuente: OpenAI (2021)

Así que, podríamos decir que el siguiente paso dentro de la industria 4.0 es el de poder dar más autonomía a la robótica industrial, a los robots industriales y esto pasa por el estudio y aplicación de las nuevas tecnologías en inteligencia artificial. Como resultado se espera conseguir maquinas más autónomas capaces de tomar decisiones en tiempo real y dentro del entorno de producción en colaboración con otras máquinas y con los operarios.

Hay muchos factores donde la comunidad científica, las grandes empresas y los desarrolladores están dedicando todos sus esfuerzos y que influirán directamente en la adaptación de los robots autónomos a la industria como son los avances en el campo del machine Learning, Deep Learning, la computación paralela o de alto rendimiento o el 5G entre otros. Para poder conseguir esta autonomía, no es solo trabajar en los dispositivos, también es necesario crear un entorno donde gracias al IoT las maquinas puedan acceder a información que les permita realizar sus funcionalidades, recibir órdenes de trabajo, realizar mantenimientos predictivos y poder optimizar en general los procesos de la producción.

Visión artificial aplicada a la robótica industrial

Dentro de la robótica industrial, uno de los aspectos a tener en cuenta en la búsqueda de la autonomía de los robots, es la comprensión del entorno que les rodea y en este punto la visión artificial desempeña un papel muy importante. A grandes rasgos la visión artificial se refiere a dar la capacidad a las máquinas de ver, analizar y comprender, de forma que sean capaces de localizar objetos, identificarlos, diferenciarlos, entre otros, para tomar decisiones en base a las características extraídas.

Dentro del campo del Deep Learning, la visión artificial es uno de los aspectos donde más se ha evolucionado en la última década gracias a la aparición de las redes neuronales convolucionales capaces de capturar, aprender y extraer características globales y locales del contenido de una imagen o incluso a la codificación de estas características mediante los cada vez más extendidos transformes heredados del NLP o procesado del lenguaje natural y todos los estudios y proyectos posteriores hacia nuevas arquitecturas y modelos capaces de solventar tareas de clasificación, localización de objetos en 2D y 3D, segmentación semántica, instanciada o panóptica, generación de datos sintéticos, transferencia de estilos, generación de imágenes a partir de texto, entre muchos otros.

A pesar de estos avances, si echamos la vista atrás incluso antes de la explosión del Deep Learning, la visión artificial industrial aplicada a la robótica lleva muchos años instaurada dentro de los procesos de automatización industrial. Alguno de los casos de uso es:

Pick and place: Mediante una cámara 2d, se localiza un objeto entrenado normalmente con un algoritmo de patrones geométricos, devolviendo la coordenada al robot en base a una calibración previa robot-cámara. El robot coge el objeto y lo ubica en otra posición que puede ser alimentación de máquina, packaging, montaje, entre otros.

**Figura 7.** Pick and Place de bombones Fuente: Google (2022)

Bin picking: Es una evolución del pick and place, pero trabajando con datos 3D. Las piezas vienen dentro del contenedor de cualquier manera y es habitual cargar el cad de la pieza en el software para la localización 3d de esta dentro de la escena, de forma que podamos devolver la pose (x, y, z, rx, ry, rz) de la pieza en base robot para que el robot pueda ir a recogerla.

**Figura 8.** Bin picking. Fuente: Photoneo (2022)

Despaletizado: Habitualmente son estructurados y se trabaja por pisos. Se puede utilizar una cámara 2D, 3D o RGBD para localizar la pieza y devolver la pose al robot.

**Figura 9.** Despaletizador 3d. Fuente: Honeywell (2022)

Paletizado: En muchas ocasiones como el robot va paletizando no requiere de visión porque sigue un algoritmo de ordenación, aunque se pueden utilizar cámaras para localizar los espacios libres de un pallet e ir paletizando de una forma autónoma según necesidades. Esto es útil cuando los tamaños de los objetos, muchas veces cajas, son diferentes y vienen de forma aleatoria.

**Figura 10.** Paletizador. Fuente: Canadian Packaging (2022)

Pick objectos de formas irregulares: Este tipo de picking está pensado para poder localizar y coger objetos de diferentes formas y tamaños en la misma caja o cinta transportadora. Utiliza algoritmos de Deep Learning de segmentación y detección de objetos para poder encontrar el centro de masas de estos habitualmente en la imagen 2D que tiene una correlación directa con una imagen 3D, de manera que encontrado el centro de masas se puede dar la pose de esta en base robot.

**Figura 11.** Pick objetos de formas irregulares. Fuente: Covariant (2022)

Controles de calidad mediante robots: Esta aplicación suele llevar un dispositivo de adquisición de imágenes en la mano del robot, ya sea 2D y 3D, para poder acceder a diferentes zonas del objeto a inspeccionar o poder escanearlo haciendo un barrido de este, obteniendo una representación 3d de la pieza gracias a la composición de las diferentes adquisiciones.

**Figura 12.** Inspección multipunto DL. Fuente: UR (2022)

Detección de obstáculos: A parte de la manipulación de piezas, la visión es muy útil en agvs y drones para poder evitar colisión con obstáculos. Serian el sustitutivo a sensores con la particularidad que pueden ser potenciados por inteligencia artificial para entender que objetos se presentan en su camino.

**Figura 13.** Detección de obstáculos. Fuente: Sick (2022)

Actualmente se están desarrollando nuevas herramientas de Deep Learning para ayudar a los robots a comprender mejor el mundo que les rodea y poder así hacer tareas cada vez más autónomas. Las siguientes son algunas destacables de las muchas que hay en marcha:

Gemelos digitales: Los gemelos digitales llevan tiempo utilizándose para la simulación robótica industrial, sobre todo para hacer estudios de viabilidad de proyectos y conocer tiempos de ciclo, cargas, longitud suficiente para llegar a todos los puntos, entre otros. Pero gracias a los nuevos avances en inteligencia artificial, se pueden utilizar estas simulaciones para poder entrenar modelos de inteligencia artificial como se hace por ejemplo en conducción autónoma, donde se generan datasets auto anotados, quitando mucha faena manual para los modelos supervisados, y situaciones incluso difíciles de crear en la vida real pero que podrían pasar, por ejemplo, un avión aterrizando en la autopista es poco probable pero no imposible. Se ha demostrado que entrenando una maquina en un simulador y agregándole luego muestras reales para tunear el sistema, la eficiencia es muy alta. Esto abre una nueva vía en poder facilitar el entrenamiento y la implementación en instalaciones robóticas industriales de todo tipo, desde brazos robóticos a vehículos guiados.

**Figura 14.** Digital twin. Fuente: Nvidia (2022)

Datos sintéticos: Otro de los campos donde se está trabajando dentro del Deep Learning es la generación de imágenes sintéticas de forma automática. Gracias a los avances en redes generativas adversarias (GANS) o los modelos de difusión, es posible entrenar una red para crear datos digitales que nos sirvan para poder generar un dataset largo, preciso y pre anotado.

**Figura 15.** Imagen digital para entrenar a un robot de picking de formas irregulares Fuente: Covariant (2022)

Segmentación 3D: Es una tarea que se esta empezando a introducir en algunos sistemas de bin picking para poder obtener ventaja del uso del Deep Learning en 3D y tendrá muchos casos de uso dentro de la robótica industrial, ya que permite clasificar todos los puntos de una nube de puntos a la clase o objeto que pertenecen, de manera que no será necesario el uso de cad o un patrón entrenado para poder buscar objetos en la escena 3D. Actualmente se esta trabajando mucho en poder mejorar la precisión de detección sobre todo para poder separar bien los objetos entre sí.

**Figura 16.** Segmentación 3D Fuente: Science direct (2020)

Guiado de montaje: En robótica industrial, se trata de que que los robots aprendan de la observación del montaje. Es decir, un operario le enseña al robot como montar una pieza y gracias al sistema de vision y la inteligencia artificial, una vez el operario a acabado el robot es capaz de imitar y reproducir el mismo montaje sin necesidad de ser programado para ello.

**Figura 17.** Brazo robótico imitando a una persona. Fuente: Kuka (2021)

Tracking: La idea es que los robots puedan asistir a los operarios de forma autónoma, siguiéndolos en su tarea rutinaria de manera que estos puedan acceder rápidamente a coger una herramienta, por ejemplo, en el caso de un operario de mantenimiento, colocar frutas en una caja, entre muchos otros casos de uso.

**Figura 18.** Robot sigue a un operario en agricultura. Fuente: farmng (2021)

Texto a imagen para entrenar robots: Partiendo de los últimos avances en generación de imágenes a partir de texto gracias a los modelos de difusión, la idea es poder darle un texto al robot con instrucciones de una acción para que se haga una idea visual de que debe hacer, que es algo muy innato y natural en los humanos. De esta manera el robot podría ordenar algo, ir a un sitio, colocar objetos de manera autónoma, entre muchos otros.

Conclusión

En este articulo nos hemos centrado en inteligencia y visión artificial en la robótica industrial y solo hemos nombrado alguno de los muchísimos casos de uso, estudios y avances que se están produciendo a una velocidad de vértigo. Fuera de la industria y la robótica industrial hay muchos otros casos y a pesar de que aun estamos a años luz de la AGI, que es la inteligencia artificial en la que un robot es igual o más listo que un ser humano, muchos procesos que actualmente se programan para que un robot los automatice serán aprendidos por estos de una forma completamente autónoma en los próximos años. De hecho, el ultimo robot de Google es un asistente para ayudar al ser humanos en ciertas tareas del hogar, ¿os imagináis que al acabar de comer no tenéis que recoger la mesa? ¿O que nunca más habrá que limpiar el polvo de las estanterías o arreglar el jardín? Parece mentira, pero como hemos vivido estos últimos años donde muchas cosas que no podíamos imaginar se han convertido en algo cotidiano, podemos decir que quizás la ficción en temas tecnológicos no este tan lejos de la realidad como pensamos.