Kinesthetic Teaching

• También llamado: lead-through programming, hand guiding, physical demonstration
• Categoría: Learning & autonomy › Learning from demonstration
• Etiquetas: imitation-learning, demonstrations, human-robot-interaction, cobots, data-collection

Enseñar a un robot guiando físicamente su brazo a lo largo de una tarea mientras registra su propio movimiento articular o del efector final, lo que da demostraciones directamente en el propio cuerpo del robot.

Definición

Enseñanza kinestésica (kinesthetic teaching) es una forma de dar demostraciones en la que una persona sujeta el robot y lo mueve a lo largo de la tarea. El controlador del robot hace que el brazo sea fácil de mover, y el robot registra sus propias posiciones articulares, las poses del efector final y a veces las fuerzas como demostración. Los datos registrados pueden reproducirse como un programa fijo o usarse como datos de entrenamiento para el aprendizaje por imitación. Por tanto, la enseñanza kinestésica es una forma de recoger demostraciones, mientras que el aprendizaje por imitación es la familia de métodos que aprenden una política a partir de ellas, sea cual sea la forma en que se recogieron. En la robótica industrial, la misma idea se llama programación por guiado (lead-through programming) o guiado manual (hand guiding).

La principal ventaja es que las demostraciones salen directamente en el propio espacio articular del robot. La teleoperación y las demostraciones en vídeo requieren trasladar el movimiento humano a un cuerpo distinto, el problema de la correspondencia, y las interfaces de teleoperación pueden ser difíciles de usar para movimientos finos o con mucho contacto. Con la enseñanza kinestésica, cada movimiento registrado ya es cinemáticamente factible para el robot, y la persona siente el contacto con el entorno a través del brazo. Para que esto sea posible, el brazo debe poder moverse fácilmente a mano: o bien es reversible (backdrivable) y ejecuta un controlador de compensación de la gravedad o de baja impedancia, o bien usa la medición del par en las articulaciones o de la fuerza en la muñeca con control de admitancia para seguir las fuerzas que aplica la persona.

La enseñanza kinestésica también tiene límites. Las manos y el cuerpo de la persona están en la escena, así que las imágenes grabadas durante la demostración contienen a la persona y las fuerzas registradas incluyen el empuje de la persona, no solo las fuerzas de la tarea. Una solución habitual es registrar la trayectoria de forma kinestésica y luego reproducirla de forma autónoma para capturar datos limpios de cámara y de fuerza. Guiar un brazo pesado o con muchas articulaciones es cansado, las tareas con dos brazos necesitan dos personas o montajes cuidadosos, y los movimientos rápidos o dinámicos son difíciles de demostrar a mano. Las demostraciones también recogen las vacilaciones del instructor, así que las trayectorias suelen suavizarse o segmentarse antes de usarlas.

Por qué importa

La enseñanza kinestésica es una de las formas más sencillas de obtener en un robot real demostraciones factibles y relevantes para la tarea, sin retargeting y con poco hardware adicional. Se usa mucho tanto para programar robots colaborativos en la planta de producción como para recoger datos para la investigación en aprendizaje por imitación.

Aplicaciones clave

• Programación de robots colaborativos mediante guiado manual
• Recogida de demostraciones para aprendizaje por imitación y clonación de comportamiento
• Enseñanza de tareas con mucho contacto, como limpiar, insertar y recoger con cuchara
• Aprendizaje de primitivas de movimiento a partir de unas pocas demostraciones
• Enseñanza de puntos de paso para trayectorias de soldadura, pintura y montaje

En la práctica

Un equipo de investigación recoge demostraciones de cómo sacar comida de un cuenco con una cuchara acoplada a un brazo colaborativo. En el modo de compensación de la gravedad, una persona sujeta el brazo cerca de la muñeca y realiza cada cucharada mientras el robot registra las poses del efector final a una frecuencia fija. Como la mano de la persona tapa la cámara de la muñeca y añade fuerza, cada trayectoria registrada se reproduce después con el robot solo, y las imágenes de la cámara y las lecturas de fuerza de esa reproducción se emparejan con la trayectoria como datos de entrenamiento. Las demostraciones que chocan con el borde del cuenco o derraman comida se descartan, y el resto se usa para entrenar una política visuomotora.

Ideas erróneas comunes

• La enseñanza kinestésica es un tipo de teleoperación — en la teleoperación la persona mueve una interfaz separada y el robot la sigue a distancia, mientras que en la enseñanza kinestésica la persona mueve físicamente el propio robot
• Cualquier brazo robótico puede enseñarse de forma kinestésica — el brazo necesita articulaciones reversibles o medición de par o de fuerza con un controlador adecuado; un brazo industrial rígido controlado en posición no puede simplemente empujarse a mano
• Los datos registrados durante la demostración pueden usarse tal cual — la persona aparece en las imágenes de la cámara y la fuerza que aplica se mezcla con las fuerzas de la tarea, así que muchos pipelines reproducen la trayectoria para registrar datos de sensores limpios

Quién debería saberlo

• Investigadores de aprendizaje robótico que recogen demostraciones
• Integradores que programan robots colaborativos
• Ingenieros de control que implementan compensación de la gravedad y control de admitancia
• Desarrolladores de robótica asistencial y de servicio

Tecnologías relacionadas

• Compensación de la gravedad (Gravity Compensation)
• Control de admitancia (Admittance Control)
• Dynamic Movement Primitives
• Sensores de par articular (Joint Torque Sensors)
• Brazos robóticos colaborativos (Collaborative Robot Arms)

Términos relacionados

• Imitation Learning
• Teleoperation
• Behavior Cloning
• Backdrivability
• Impedance Control
• Cobot

Proyectos relacionados

• LeRobot: HuggingFace ML library for real-world robotics in PyTorch
• OpenPI: Physical Intelligence VLA foundation models for general robot control
• Mobile ALOHA: Bimanual mobile manipulation with 4 robot arms on a wheeled base for teleoperation
• OpenArm: 7DOF humanoid arm for physical AI research in contact-rich environments
• Koch v1.1 Low-Cost Robot Arm: Open-source 6-DOF robot arm for affordable teleoperation and imitation learning research.
• AgiBot World: Million-trajectory real-robot manipulation dataset from a fleet of 100+ humanoid robots