Aprendizaje por Imitación de Robot: Trayectorias Sin Codificadores

Aprendizaje por imitación para un robot manipulador: generación de trayectorias sin codificadores

Un manipulador robótico accionado por servomotores MG996R —sin codificadores integrados— sufre de holgura mecánica, desgaste progresivo y errores de posicionamiento. En lugar de realizar una calibración cinemática compleja, aplicamos aprendizaje por imitación: el operador guía manualmente el brazo a lo largo de las trayectorias deseadas, mientras potenciómetros externos registran las posiciones articulares. Estas trayectorias demostradas por humanos se usan luego para entrenar una red neuronal que reproduce el movimiento paso a paso.

El diseño mecánico incluye una base giratoria (eje Z), tres eslabones articulados y una pinza como efector final. Potenciómetros de 10 kΩ instalados en las cuatro articulaciones envían señales analógicas a una placa Arduino Mini cada 10 ms. El control de los servomotores corre a cargo de un controlador PWM PCA9685PW. Todos los datos de trayectoria se registran en archivos CSV para su procesamiento fuera de línea.

Configuración hardware y modos de funcionamiento

La Arduino lee los valores de los potenciómetros y aplica suavizado para suprimir el ruido: cada nueva lectura se actualiza como un promedio ponderado con el valor anterior. Los valores crudos del convertidor analógico-digital (ADC, de 0 a 1023) se convierten a ángulos articulares posteriormente, en un PC —no a bordo— para evitar vibraciones (jitter) en los servomotores durante la adquisición.

El sistema opera en dos modos claramente diferenciados:

• Grabación de trayectorias, usando retroalimentación de potenciómetros.
• Reproducción y actuación de servomotores, ejecutando los movimientos aprendidos.

Los servomotores se alimentan desde una fuente independiente para evitar caídas de voltaje. El espacio de trabajo práctico del robot está limitado a una cuadrícula cómoda de 34 puntos objetivo —similar a un tablero de ajedrez—. Una única posición de origen, ubicada sobre esta cuadrícula, sirve como punto intermedio para todos los movimientos: origen → objetivo → origen.

Esto reduce drásticamente el volumen de datos: solo se necesitan 68 trayectorias (recorridos de ida y vuelta) en lugar de combinaciones exhaustivas entre los 34 puntos.

Etapas del aprendizaje por imitación

Grabación de trayectorias

El manipulador se mueve manualmente desde la posición de origen hasta un punto objetivo y de regreso. La Arduino registra las posiciones articulares cada 10 ms. Las grabaciones crudas contienen ruido y deriva debido a la holgura mecánica.

Calibración de objetivos

Los ángulos articulares finales se ajustan finamente para garantizar una colocación precisa del extremo del brazo. Los puntos finales de las trayectorias grabadas se corrigen para compensar los errores acumulados —especialmente crítico para tareas repetibles como agarre o depósito.

Entrenamiento de la red neuronal

El modelo predice el cambio incremental siguiente en los ángulos articulares (delta), dado el estado articular actual y las coordenadas del objetivo. Entrada: ángulos articulares actuales + ubicación (x, y) del objetivo. Salida: vector delta de 4 dimensiones. Una etapa final de «puntería» refina el último 10 % del movimiento hacia la posición objetivo calibrada.

Se utiliza un modelo URDF del manipulador en PyBullet únicamente para visualización, no para simulación ni entrenamiento basado en física; por tanto, la holgura y la flexibilidad reales del sistema no se modelan.

Preparación de los datos

Las trayectorias se normalizan e interpolan a una secuencia de longitud fija. Para cada par origen–objetivo, se recopilan múltiples demostraciones y se promedian para mejorar la robustez.

Los pasos de preprocesamiento incluyen:

• Filtrado de ruido mediante suavizado por media móvil.
• Normalización de los ángulos articulares al rango [0, 1].
• Interpolación lineal a 100–200 pasos temporales por trayectoria.
• Concatenación de las coordenadas (x, y) del objetivo como entrada condicional para la red.

Arquitectura de la red neuronal

Usamos un perceptrón multicapa (MLP) con:

• 4 entradas (ángulos articulares normalizados),
• Dos incrustaciones (embeddings) aprendidas para las coordenadas x/y del objetivo,
• Una incrustación adicional del paso temporal (para codificar el avance en la trayectoria).
• Capas ocultas: 256 → 128 → 64 neuronas, activaciones ReLU y dropout (p = 0,1).
• Salida: 4 deltas angulares predichos.

El entrenamiento usa pérdida de error cuadrático medio (MSE) sobre los deltas, optimizador Adam (tasa de aprendizaje = 1e−3), tamaño de lote = 32 y 500 épocas. Los datos se dividen en proporción 80/10/10 (entrenamiento/validación/prueba).

Compensación de errores: el último 10 % de cada trayectoria se sustituye por interpolación lineal directa hasta la posición objetivo calibrada —asegurando precisión máxima en el punto final.

Resultados y capacidad de generalización

La red entrenada reproduce trayectorias con errores angulares articulares inferiores a 5° y logra posicionamiento del objetivo dentro de ±2 mm. En centros de celdas no vistos durante el entrenamiento (interpolados entre puntos de la cuadrícula), la generalización se mantiene dentro de ±4 mm.

Comparación de métodos:

| Método | Error angular articular | Precisión en el objetivo (mm) |

|--------|--------------------------|-------------------------------|

| Modelo cinemático en bucle abierto | 12° | ±8 |

| Aprendizaje por imitación únicamente | 4° | ±2 |

| Aprendizaje por imitación + refinamiento de puntería | 2° | ±1 |

Este enfoque se escala fácilmente a otros manipuladores económicos sin sensores integrados.

Conclusiones clave

• El aprendizaje por imitación evita la necesidad de codificadores y de modelos cinemáticos precisos.
• Los potenciómetros externos proporcionan datos fiables de trayectoria «verdad de campo».
• La red neuronal genera pasos de movimiento condicionados y orientados a un objetivo —y añade una corrección final de puntería.
• Solo 68 trayectorias grabadas manualmente permitieron una fuerte generalización a objetivos novedosos.
• Se logra precisión submilimétrica en el punto final —incluso con hardware económico.

— Editorial Team