El desarrollador londinense de robots humanoides Humanoid ha presentado KinetIQ Ascend, una metodología de aprendizaje que permite a los robots dominar operaciones de producción mediante prueba y error en condiciones reales. La tecnología se basa en el aprendizaje por refuerzo (reinforcement learning, RL) y, según la empresa, es capaz de alcanzar una tasa de éxito en manipulaciones del 99,9% a una velocidad comparable o superior a la humana.
KinetIQ Ascend amplía las capacidades del marco KinetIQ, que es la base de todos los robots de Humanoid. La diferencia clave del nuevo enfoque es que el aprendizaje RL no se inicia en simulación, sino directamente en el equipo real, las 24 horas del día. Esta es la primera demostración pública de RL integral basado en visión para modelos VLA (vision-language-action), entrenados en una plataforma humanoide bimanual real en condiciones de despliegue industrial.
Anteriormente, Humanoid, como la mayoría de sus competidores, dependía del aprendizaje por imitación, es decir, copiar demostraciones humanas. Sin embargo, este enfoque tiene una limitación fundamental: el modelo no puede superar al demostrador ni en velocidad ni en calidad, y no aprende de sus propios errores. KinetIQ Ascend resuelve este problema mediante la práctica continua, de manera similar a la escalabilidad de los grandes modelos de lenguaje: cuanto más largo es el entrenamiento, mayor es la tasa de éxito.
Resultados de las pruebas en tareas de producción
Humanoid realizó pruebas A/B de KinetIQ Ascend en tres operaciones reales:
- Recoger anillos de rodamientos de acero de un contenedor y colocarlos en una cinta transportadora. Tras el entrenamiento RL, el rendimiento aumentó un 42%, de 291 a 412 anillos por hora.
- Transferir un objeto de un contenedor a una persona. El rendimiento aumentó un 85%, la duración media del episodio se redujo un 35% y la tasa de éxito pasó del 80% al 98%.
- Levantar bimanualmente un contenedor de una mesa en orientación arbitraria. Tras varios días de entrenamiento, el rendimiento aumentó de 122 a 279 contenedores por hora, el tiempo del episodio se redujo de 22,9 a 12,8 segundos y la tasa de éxito subió del 77,6% al 98,9%.
La empresa también señaló que la mejora de la etapa más compleja de una operación puede aumentar el resultado de toda la tarea, y la habilidad se transfiere a objetos que el robot no había visto durante el entrenamiento RL. Esto es fundamental para entornos de producción reales, donde las condiciones cambian constantemente.
Estrategia industrial y competencia
Humanoid está construyendo activamente una cadena de producción en Europa. En mayo, la empresa anunció una asociación con Bosch, que se convertirá en el fabricante por contrato de los robots HMND 01 para el mercado europeo. Anteriormente, se firmó un acuerdo por fases con Schaeffler para desplegar entre 1000 y 2000 robots en las instalaciones globales del socio para 2032.
El anuncio de KinetIQ Ascend se produce en medio de una intensificación de la carrera en robótica humanoide. Figure recaudó más de $1 mil millones con una valoración de $39 mil millones, Apptronik obtuvo $935 millones de inversores, incluidos Google y Mercedes-Benz. Desde 2024, China ha destinado al menos $20 mil millones al desarrollo de la robótica, aunque las ventas reales siguen siendo limitadas: alrededor de 12,000 robots humanoides, principalmente con fines de investigación.
Mi comentario experto: KinetIQ Ascend no es solo una evolución, sino un cambio de paradigma en el aprendizaje de robots industriales. La transición de la imitación al RL en equipos reales resuelve el problema fundamental del "techo" de velocidad y calidad, inevitable al copiar acciones humanas. Si Humanoid logra escalar este enfoque a miles de robots en asociación con Bosch y Schaeffler, la empresa podría convertirse en un actor clave en la robótica industrial, superando a los competidores que aún dependen de simulaciones y demostraciones.