Los robots que se desplazan por oficinas y edificios modernos se enfrentan a un obstáculo invisible para los humanos: el vidrio. Aunque podemos ver a través de una mampara y saber que no debemos atravesarla, las máquinas dependen de sensores que interpretan la luz y a menudo confunden una superficie transparente con espacio libre. Este problema de percepción se vuelve crítico cuando se trata de navegación autónoma, pues una ruta que parece despejada puede terminar en una colisión contra una pared de cristal. Investigadores de la Universidad de Maryland han creado PolarDepth, un método que combina imágenes tradicionales con datos de polarización para mejorar la estimación de profundidad en entornos acristalados.
En una sala de reuniones con paredes de vidrio, una cámara convencional captura colores y formas, pero el vidrio aporta poca textura y refleja la luz de forma que los sensores láser pueden atravesarla o desviarse. Dependiendo del ángulo de incidencia, parte del haz llega a objetos detrás del cristal y otra parte se pierde, generando errores en los mapas de profundidad que los robots utilizan para orientarse. La polarización, propiedad que describe la orientación de las oscilaciones de la luz, ofrece una pista adicional: la luz reflejada en superficies lisas adquiere un patrón de polarización distintivo que puede ser detectado por sensores especializados.
PolarDepth aprovecha una única cámara de polarización que produce dos imágenes simultáneas: una RGB convencional y otra denominada Polar‑RGB, que codifica la información de polarización. Cada una genera una estimación de profundidad independiente; luego, un algoritmo de aprendizaje profundo combina los resultados píxel a píxel, dando mayor peso a la fuente que resulte más confiable en cada zona. De esta forma, la cámara usa la visión normal donde el vidrio no interfiere y recurre a la polarización cuando se enfrenta a superficies reflectantes, logrando una visión más robusta del entorno.
Los experimentos realizados por el equipo de Maryland incluyeron escenarios reales y simulados con múltiples mamparas y ventanas. Los resultados mostraron una mejora significativa en la precisión de la distancia y en la odometría visual, superando a los métodos basados solo en imágenes RGB. Aunque la tecnología no garantiza la eliminación total de colisiones, reduce notablemente los errores de percepción que pueden derivar en choques.
Este avance se suma a investigaciones anteriores, como el estudio de la Universidad Tecnológica de Sídney en 2017, que utilizó la intensidad del láser para identificar paneles de vidrio con un 95% de acierto. La diversidad de enfoques evidencia la complejidad del desafío y la necesidad de combinar distintas fuentes de datos para lograr una navegación segura.
A medida que robots como Optimus de Tesla, Digit de Agility Robotics y Atlas de Boston Dynamics ingresan a fábricas y centros logísticos, la capacidad de reconocer y evitar superficies transparentes pasa de ser un detalle técnico a una condición esencial para su integración en espacios compartidos con personas. Resolver este problema elemental es un paso clave para que la robótica autónoma conviva de manera natural con la infraestructura moderna.
Fuente: xataka