Un grupo de investigadores ha desarrollado una nueva metodología llamada MeshDMP (Motion Planning on Discrete Manifolds using Dynamic Movement Primitives) destinada a mejorar la automatización en tareas industriales donde la precisión del movimiento del robot en superficies complejas es fundamental. Esta técnica ofrece una solución prometedora a uno de los desafíos más significativos en la robótica moderna industrial, que es la capacidad de ejecutar movimientos de contacto sobre objetos de geometría variable y compleja, como los parachoques de automóvil.

La novedad de MeshDMP radica en su capacidad para planificar movimientos directamente en una representación discreta de las superficies conocida como mallas trianguladas, utilizando primitivas de movimiento dinámico (Dynamic Movement Primitives, DMPs) extendidas. Esta técnica permite que los manipuladores robóticos aprendan y generalicen movimientos en superficies de malla, adaptando los patrones de movimiento según sea necesario, sin la necesidad de reentrenamiento del modelo, lo que incrementa la eficiencia en la ejecución del trabajo.

Utilizando geometría diferencial, los investigadores han desarrollado nuevos operadores diferenciales para manejar estas mallas discretas y asegurar la estabilidad y adaptabilidad de los movimientos en superficies complejas. Estos operadores permiten calcular geodésicas, transportar vectores tangentes y mapear trayectorias de manera continua y eficiente, asegurando que los robots puedan trabajar en superficies curvadas como si fueran planas.

Las validaciones del enfoque MeshDMP incluyen simulaciones y experimentos físicos en tareas de pulido de superficies de automóvil. Aquí, los robots muestran una notable habilidad para seguir fielmente trayectorias complejas, superando las limitaciones de los métodos tradicionales que asumen superficies planas. Esto implica que MeshDMP está bien equipado para tareas de producción que requieren adaptación continua a diferentes contornos y que comúnmente se manejan mejor de manera manual.

Este avance no solo promete mejorar la eficiencia operativa en entornos industriales, sino que también facilita que los operarios humanos puedan enfocarse en tareas más cognitivas mientras los robots manejan operaciones repetitivas con un mayor grado de precisión y flexibilidad.

La metodología desarrollada ilumina caminos hacia la consecución de un planeta más automatizado y sostenible, donde la colaboración humano-robot en contextos complejos se efectúe de manera intuitiva y eficiente. Sin embargo, persisten desafíos en el ajuste del movimiento al ciclo de trabajo en ciertas configuraciones de malla, lo que augura futuras investigaciones en la mejora y optimización de este enfoque.