3 cosas que la IA no resolverá por usted en el almacén

La Physical AI y los Large Behavior Models están entrando en la robótica móvil más rápido de lo que hace apenas un año preveía la mayoría de los equipos de mantenimiento. Un AMR cada vez más «inteligente» es capaz de tomar decisiones que antes había que enseñarle paso a paso, pero la preparación del almacén para AMR sigue dependiendo de lo que ocurre en el suelo, no en el modelo. La IA puede darle al robot la decisión. Su nave todavía tiene que darle los límites.

En el Robotics Summit & Expo, uno de los mayores encuentros del sector de la robótica móvil, más de 70 ponentes y varias decenas de sesiones mostraron la misma dirección: el aprendizaje de los robots pasa de «escribir un script para cada situación» a «el modelo aprende comportamientos». Entre los expositores y ponentes hubo equipos de investigación que trabajan en los llamados Large Behavior Models, modelos que generalizan el movimiento y la manipulación en lugar de ejecutar una secuencia programada de forma rígida. Es un cambio real. Y precisamente por eso conviene separar con frialdad dos cosas: lo que el algoritmo hace cada vez mejor y lo que debe aportar el entorno.

La Physical AI cambia el robot, no cambia el almacén

El mayor malentendido en las conversaciones sobre implantaciones es este: «si el robot tiene una IA cada vez mejor, se las arreglará con nuestro desorden». No lo hará. El modelo de comportamiento mejora la forma en que el robot reacciona a lo que ve, pero no cambia la calidad de lo que tiene que ver. Si la señal de entrada es ambigua, incluso el mejor modelo tomará una decisión basada en datos erróneos.

En la práctica, un AMR inteligente en una nave desordenada se comporta mal de forma predecible: reduce la velocidad más a menudo, se detiene más a menudo e interactúa más a menudo con el tráfico peatonal, porque no tiene un sistema de referencia fiable. El algoritmo no «adivinará» dónde termina un pasillo de circulación y dónde empieza una zona de depósito si ese límite no está en el suelo. La Physical AI eleva el techo de las capacidades del robot. El suelo que tiene debajo lo sigue poniendo usted.

1. Rutas de circulación legibles

Lo primero que la IA no resolverá por usted es un trazado inequívoco de las rutas. El robot sabe circular por un pasillo definido y evitar obstáculos, pero si el propio pasillo no está físicamente definido, cada trayecto se convierte en una negociación con el entorno. Los pasillos mal señalizados aumentan el número de paradas y de puntos en los que la máquina se encuentra con un peatón, y cada uno de esos encuentros supone segundos de inactividad y un riesgo real.

Una ruta legible para la persona y para el robot no es lo mismo que una línea trazada «más o menos por donde se pasa». Es un pasillo con una anchura y un sentido definidos y una señalización coherente a lo largo de toda la nave. Las cintas de marcaje de suelo contrastadas marcan un trazado que el operario entiende sin instrucciones y que el sistema autónomo trata como un punto de referencia estable. Cuantos menos lugares haya en los que «no se sabe por dónde», menos microparadas habrá y mayor será el uptime de la flota.

2. Zonas de circulación y de trabajo claras

Lo segundo es la separación de las zonas. Un almacén en el que se superponen el área de depósito, el paso peatonal, la ruta de la carretilla y la trayectoria del robot genera conflictos, por bueno que sea el modelo que lo controla. La autonomía no elimina el conflicto: solo lo revela antes.

La zonificación empieza con una decisión de diseño: dónde puede circular el robot, dónde debe reducir la velocidad, dónde ceder el paso y dónde tiene prohibida la entrada. Solo después se traduce en marcajes físicos. Aquí funciona bien combinar la señalización horizontal con elementos fáciles de desplazar cuando cambia la distribución. Las barreras móviles ZonePro permiten delimitar rápidamente una zona de carga, un búfer o un área excluida temporalmente de la circulación, sin intervenir en el suelo. En un entorno de tráfico mixto, en el que personas, carretillas y AMR trabajan a la vez, un límite de zona claro es lo que convierte un espacio compartido en un proceso predecible.

3. Puntos límite físicos y visuales

Lo tercero se pasa por alto con más frecuencia porque suena trivial: el algoritmo no sustituye a la barrera. El modelo puede reconocer que tiene un obstáculo delante, pero no protegerá el lugar en el que la ruta del robot se cruza con un pilar, un portón o el borde de una estantería. Los puntos límite deben existir en dos capas a la vez: como protección física y como señal visual para la persona.

Los puntos de colisión duros se protegen con una barrera industrial; los lugares en los que importa la legibilidad con poca luz o en caso de corte del suministro eléctrico se refuerzan con señales fotoluminiscentes. Se trata de que tanto el robot como el operario reciban la misma información sobre el límite: uno en el sistema y el otro en su campo de visión. Cuando una persona entiende las reglas de circulación en dos segundos, el entorno está preparado. Cuando necesita preguntar o pararse a pensar, no lo está.

El orden que funciona: flujo, límites, autonomía

La preparación del almacén para AMR tiene un orden probado, y conviene respetarlo incluso cuando el proveedor del robot promete que «el software se encargará del resto». Primero, la lógica del flujo: por dónde y en qué sentido se mueven los materiales. Después, los límites: dónde termina una zona y dónde empieza otra. Y solo al final, la autonomía, que sobre una base preparada así acorta realmente el ciclo en lugar de desestabilizarlo.

Invertir este orden es el error más caro de las implantaciones: la empresa compra un robot inteligente y luego pasa meses ajustándolo a un espacio que nadie había ordenado antes. El efecto es el contrario del buscado: la automatización no elimina el caos, solo lo acelera y lo hace visible. El robot llegará adonde usted le diga, pero solo si ese «adónde» está descrito de forma inequívoca en la nave.

Preparación del almacén para AMR: lista de comprobación antes de dejar entrar al robot

• Rutas: ¿ve el operario el trazado del pasillo sin preguntar y sin dar la vuelta? Si tiene que preguntar, la circulación tampoco es evidente para el robot.
• Zonas: ¿están separadas las áreas de depósito, peatonales, de carretillas y de robots, o se superponen?
• Límites: ¿están los puntos de colisión duros protegidos físicamente, y no solo «a la vista»?
• Legibilidad en peores condiciones: ¿funciona la señalización con poca luz y durante el cambio de turno?
• Coherencia entre turnos: ¿son las reglas de circulación iguales por la mañana y en el turno de noche, o cada equipo «lo hace a su manera»?

Si la respuesta a cualquiera de estas preguntas es «depende», conviene empezar por la capa de organización de la circulación, y no por la compra de otra tecnología. Es la etapa más barata de toda la implantación y, al mismo tiempo, la que determina el retorno de las demás.

¿No hará un modelo de IA más nuevo que la señalización deje de ser necesaria?

No en el horizonte del que hablamos. Las sucesivas generaciones de modelos mejoran la capacidad de decisión del robot, pero todas trabajan con señales del entorno. Cuanto mejor «razona espacialmente» el modelo, más peso tiene la calidad de lo que ve. Una nave legible no es una prótesis para una IA débil: es la condición para que una buena IA tenga de qué servirse.

¿Por dónde empezar si el presupuesto es limitado?

Por las rutas y las zonas, porque son las que generan más microparadas. Ordenar los pasillos con cintas de marcaje de suelo y delimitar las zonas clave con barreras móviles suele ofrecer el retorno más rápido, incluso antes de que llegue el primer robot a la nave. La protección de los puntos límite y la legibilidad en peores condiciones se añaden en un segundo paso.

Fuentes

• The Robot Report, Robotics Summit & Expo: la Physical AI y los Large Behavior Models en la robótica móvil: therobotreport.com