Chubut Digital

Con un novedoso método de simulación, los robots pueden adivinar el peso, la suavidad y otras propiedades físicas de un objeto simplemente recogiéndolo. Una persona que saca trastos de un ático a menudo puede adivinar el contenido de una caja con solo levantarla y sacudirla, sin necesidad de ver qué hay dentro. Investigadores del MIT, Amazon Robotics y la Universidad de Columbia Británica han enseñado a robots a hacer algo similar. Desarrollaron una técnica que permite a los robots usar únicamente sensores internos para conocer el peso, la suavidad o el contenido de un objeto al levantarlo y sacudirlo suavemente. Con este método, que no requiere herramientas de medición externas ni cámaras, el robot puede calcular con precisión parámetros como la masa de un objeto en cuestión de segundos. Esta técnica de bajo costo podría ser especialmente útil en aplicaciones donde las cámaras podrían ser menos efectivas, como clasificar objetos en un sótano oscuro o limpiar escombros dentro de un edificio que se derrumbó parcialmente después de un terremoto. La clave de su enfoque es un proceso de simulación que incorpora modelos del robot y del objeto para identificar rápidamente las características de ese objeto a medida que el robot interactúa con él.  La técnica de los investigadores es tan eficaz para estimar la masa de un objeto como otros métodos más complejos y costosos que incorporan visión artificial. Además, su enfoque, eficiente en el uso de datos, es lo suficientemente robusto como para abordar diversos escenarios imprevistos. “Esta idea es general, y creo que apenas estamos explorando lo que un robot puede aprender de esta manera. Mi sueño sería que los robots salieran al mundo, tocaran y movieran objetos en su entorno, y descubrieran por sí solos las propiedades de todo aquello con lo que interactúan”, afirma Peter Yichen Chen, investigador posdoctoral del MIT y autor principal de un artículo sobre esta técnica . Entre sus coautores se encuentran su colega posdoctoral del MIT, Chao Liu; el doctorado Pingchuan Ma (promoción de 2025); el máster en Ingeniería (promoción de 2024) y Dylan Randle y Yuri Ivanov, de Amazon Robotics; los profesores de ingeniería eléctrica e informática del MIT, Daniela Rus, quien dirige el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT; y Wojciech Matusik, quien dirige el Grupo de Diseño y Fabricación Computacional del CSAIL. La investigación se presentará en la Conferencia Internacional sobre Robótica y Automatización. Detección de señales El método de los investigadores aprovecha la propiocepción, que es la capacidad de un humano o un robot de detectar su movimiento o posición en el espacio. Por ejemplo, una persona que levanta una mancuerna en el gimnasio puede sentir su peso en la muñeca y el bíceps, incluso si la sostiene en la mano. De la misma manera, un robot puede sentir el peso de un objeto a través de las múltiples articulaciones de su brazo. «Un humano no tiene mediciones superprecisas de los ángulos articulares de los dedos ni de la cantidad exacta de torque que aplicamos a un objeto, pero un robot sí. Aprovechamos estas capacidades», afirma Liu. Cuando el robot levanta un objeto, el sistema de los investigadores recoge señales de los codificadores articulares del robot, que son sensores que detectan la posición de rotación y la velocidad de sus articulaciones durante el movimiento.  La mayoría de los robots cuentan con codificadores articulares dentro de los motores que impulsan sus partes móviles, añade Liu. Esto hace que su técnica sea más rentable que otros enfoques, ya que no requiere componentes adicionales como sensores táctiles o sistemas de seguimiento visual. Para estimar las propiedades de un objeto durante las interacciones robot-objeto, su sistema se basa en dos modelos: uno que simula el robot y su movimiento y otro que simula la dinámica del objeto. “Tener un gemelo digital preciso del mundo real es realmente importante para el éxito de nuestro método”, añade Chen. Su algoritmo “observa” el movimiento del robot y del objeto durante una interacción física y utiliza datos del codificador conjunto para trabajar al revés e identificar las propiedades del objeto. Por ejemplo, un objeto más pesado se moverá más lento que uno liviano si el robot aplica la misma cantidad de fuerza. Simulaciones diferenciables Utilizan una técnica llamada simulación diferenciable, que permite al algoritmo predecir cómo pequeños cambios en las propiedades de un objeto, como la masa o la suavidad, afectan la posición final de la articulación del robot. Los investigadores crearon sus simulaciones utilizando la biblioteca Warp de NVIDIA, una herramienta de desarrollo de código abierto compatible con simulaciones diferenciables. Una vez que la simulación diferenciable coincide con los movimientos reales del robot, el sistema ha identificado la propiedad correcta. El algoritmo puede hacerlo en cuestión de segundos y solo necesita observar una trayectoria real del robot en movimiento para realizar los cálculos. “Técnicamente, siempre que conozcas el modelo del objeto y cómo el robot puede aplicar fuerza a ese objeto, deberías poder determinar el parámetro que quieres identificar”, dice Liu. Los investigadores utilizaron su método para conocer la masa y la suavidad de un objeto, pero su técnica también podría determinar propiedades como el momento de inercia o la viscosidad de un fluido dentro de un recipiente. Además, debido a que su algoritmo no necesita un amplio conjunto de datos para entrenamiento como algunos métodos que dependen de visión por computadora o sensores externos, no sería tan susceptible a fallas cuando se enfrenta a entornos invisibles u objetos nuevos. En el futuro, los investigadores quieren intentar combinar su método con la visión por computadora para crear una técnica de detección multimodal aún más potente. Este trabajo no pretende sustituir la visión artificial. Ambos métodos tienen sus ventajas y desventajas. Pero aquí hemos demostrado que, sin una cámara, ya podemos determinar algunas de estas propiedades, afirma Chen. También quieren explorar aplicaciones con sistemas robóticos más complicados, como robots blandos, y objetos más complejos, incluidos líquidos en movimiento o medios granulares como arena. A largo plazo, esperan aplicar esta técnica

Imagine si los médicos pudieran imprimir con precisión cápsulas en miniatura capaces de transportar las células necesarias para la reparación tisular exactamente donde se necesitan dentro de un corazón latente.  Un equipo de científicos dirigido por Caltech ha dado un paso significativo hacia ese objetivo final al desarrollar un método para imprimir polímeros en 3D en puntos específicos del interior de animales vivos. La técnica se basa en el sonido para la localización y ya se ha utilizado para imprimir cápsulas de polímero para la administración selectiva de fármacos, así como polímeros adhesivos para sellar heridas internas. Anteriormente, los científicos han utilizado luz infrarroja para desencadenar la polimerización, la unión de las unidades básicas, o monómeros, de los polímeros en animales vivos. «Sin embargo, la penetración infrarroja es muy limitada. Solo llega justo debajo de la piel», afirma Wei Gao , profesor de ingeniería médica en Caltech e investigador del Instituto de Investigación Médica Heritage. «Nuestra nueva técnica llega al tejido profundo y permite imprimir diversos materiales para una amplia gama de aplicaciones, manteniendo al mismo tiempo una excelente biocompatibilidad». Gao y sus colegas presentan su nueva técnica de impresión 3D in vivo en la revista Science . Además de geles y polímeros bioadhesivos para la administración de fármacos y células, el artículo también describe el uso de esta técnica para la impresión de hidrogeles bioeléctricos, que son polímeros con materiales conductores integrados para la monitorización interna de signos vitales fisiológicos, como los electrocardiogramas (ECG). El autor principal del estudio es Elham Davoodi, profesor adjunto de ingeniería mecánica en la Universidad de Utah, quien completó el trabajo durante su estancia postdoctoral en Caltech. El origen de una idea novedosa Con el objetivo de encontrar una manera de lograr la impresión in vivo de tejido profundo, Gao y sus colegas recurrieron al ultrasonido, una plataforma ampliamente utilizada en biomedicina para la penetración en tejidos profundos. Sin embargo, necesitaban una forma de activar la reticulación, o unión de monómeros, en un punto específico y solo cuando se deseaba. Desarrollaron un enfoque novedoso: combinar el ultrasonido con liposomas sensibles a bajas temperaturas. Estos liposomas, vesículas esféricas similares a células con capas protectoras de grasa, se utilizan a menudo para la administración de fármacos. En el nuevo trabajo, los científicos cargaron los liposomas con un agente de reticulación y los integraron en una solución polimérica que contenía los monómeros del polímero que querían imprimir, un agente de contraste de imagen que revelaría cuándo se había producido la reticulación y la carga que esperaban administrar, por ejemplo, un fármaco terapéutico. Se pueden incluir componentes adicionales, como células y materiales conductores como nanotubos de carbono o plata. La biotinta compuesta se inyectó posteriormente directamente en el cuerpo. Aumente la temperatura con solo un toque para activar la impresión Las partículas de liposomas son sensibles a las bajas temperaturas, lo que significa que al usar ultrasonido enfocado para elevar la temperatura de una pequeña región objetivo en aproximadamente 5 grados Celsius, los científicos pueden desencadenar la liberación de su carga útil e iniciar la impresión de polímeros. «Aumentar la temperatura unos pocos grados Celsius es suficiente para que la partícula de liposoma libere nuestros agentes de reticulación», afirma Gao. «Donde se liberan los agentes, es donde se produce la polimerización o impresión localizada». El equipo utiliza vesículas de gas derivadas de bacterias como agente de contraste para imágenes. Estas vesículas, cápsulas de proteína llenas de aire, se distinguen con claridad en las imágenes ecográficas y son sensibles a los cambios químicos que se producen cuando la solución líquida de monómero se reticula para formar una red de gel. De hecho, las vesículas cambian de contraste, detectado por ecografía, durante la transformación. Esto permite a los científicos identificar fácilmente cuándo y dónde se ha producido la reticulación por polimerización, lo que les permite personalizar los patrones impresos en animales vivos. El equipo denomina a la nueva técnica plataforma de impresión de sonido in vivo en tejidos profundos (DISP). Cuando el equipo utilizó la plataforma DISP para imprimir polímeros cargados con doxorrubicina, un fármaco quimioterapéutico, cerca de un tumor de vejiga en ratones, encontraron sustancialmente más muerte de células tumorales durante varios días en comparación con los animales que recibieron el fármaco a través de una inyección directa de soluciones de fármacos. «Ya hemos demostrado en un animal pequeño que podemos imprimir hidrogeles con fármacos para el tratamiento de tumores», afirma Gao. «Nuestra próxima etapa es intentar imprimirlos en un modelo animal más grande y, con suerte, en un futuro próximo, podremos evaluarlo en humanos». El equipo también cree que el aprendizaje automático puede mejorar la capacidad de la plataforma DISP para localizar y aplicar ultrasonidos focalizados con precisión. «En el futuro, con la ayuda de la IA, nos gustaría poder activar de forma autónoma la impresión de alta precisión dentro de un órgano en movimiento, como un corazón latiendo», afirma Gao. Español Autores adicionales del artículo, «Impresión de sonido in vivo de tejido profundo guiada por imágenes», son los estudiantes de posgrado de Caltech Jiahong Li (MS ’23), Xiaotian Ma (MS ’24), Sunho Lee y Jee Won Yang (MS ’23); Alireza Hassani Najafabadi, Ali Khademhosseini y Hossein Montazerian del Instituto Terasaki para la Innovación Biomédica en Los Ángeles; Gengxi Lu, Yushun Zeng y Qifa Zhou de la USC; Jason Williams, Shervin S. Nia, Tzung K. Hsiai y Paul S. Weiss de la UCLA; Jounghyun Yoo, visitante en ingeniería médica en Caltech; Gwangmook Kim, becario postdoctoral en ingeniería médica en Caltech; Lei S. Li (PhD ’19), ahora en la Universidad de Rice; Zhiyang Jin (PhD ’24), Behnam Sadri y Ehsan Shirzaei Sani, ex investigadores postdoctorales en Caltech; Lihong V. Wang , profesor Bren de Ingeniería Médica e Ingeniería Eléctrica de Caltech y presidente de la Cátedra de Liderazgo en Ingeniería Médica Andrew y Peggy Cherng; Di Wu (PhD ’21), científico investigador y director del Centro DeepMIC en Caltech; y Mikhail G. Shapiro , profesor Max Delbrück de Ingeniería Química e Ingeniería Médica de Caltech e investigador del Instituto Médico Howard Hughes. La plataforma de impresión sonora in vivo (DISP) de tejido profundo.