La programación de robots podría comenzar antes en el diseño
UC Berkeley y NVIDIA han publicado herramientas de código abierto destinadas a cambiar cómo se programan, prueban y perfeccionan las aplicaciones de robots industriales. El enfoque utiliza equipos de agentes de programación de IA para generar programas legibles, conectar las partes de una tarea y ensayarlas en simulación antes del despliegue.
Las celdas robóticas industriales suelen ser difíciles de programar porque el software depende de la construcción física. El robot, los alimentadores, las cintas transportadoras y otros equipos normalmente deben instalarse antes de implementar y ajustar completamente el código. Esto puede dejar a los ingenieros de software trabajando contra el plazo final del proyecto.
El trabajo dirigido por Berkeley busca reducir ese cuello de botella trasladando más programación y pruebas a un entorno simulado. En lugar de depender de grandes conjuntos de datos específicos o de exigir ajustes manuales, propone que los agentes generen, prueben y perfeccionen programas que las personas puedan inspeccionar.
Los programas legibles son centrales
El proyecto no se presenta como un sistema que elimina a los ingenieros humanos de la automatización industrial. Su afirmación central es que las herramientas agénticas pueden acelerar la creación de programas sin dejar de hacerlos interpretables para quienes deben verificarlos, solucionar problemas o afinarlos.
Ken Goldberg, William S. Floyd Jr. Distinguished Chair in Engineering de UC Berkeley, describió la robótica agéntica como un cambio en la forma de programar robots. Según el equipo, varios agentes pueden generar y probar programas rápidamente, mientras los ingenieros conservan la capacidad de entenderlos y modificarlos.
La distinción importa en entornos industriales. Un comportamiento generado que no se puede entender es difícil de validar, especialmente cuando las máquinas trabajan cerca de equipos costosos, piezas cuidadosamente dispuestas y personal. El código legible no sustituye la ingeniería de seguridad ni la validación, pero facilita el examen de los resultados.
GaP divide el trabajo en habilidades modulares
Una de las herramientas presentadas es Graph-as-Policy, o GaP. Es un marco modular que divide una tarea robótica en habilidades componentes, como percepción, planificación de agarres y movimiento sin colisiones.
Los agentes de IA pueden generar esos componentes, conectarlos en una tarea mayor y ensayar el resultado en simulación. La estructura refleja que muchas labores de automatización combinan reconocimiento de objetos, selección de agarres, movimiento seguro y ejecución de la acción prevista.
Tratar esos elementos como módulos conectados pretende facilitar la construcción y revisión de programas. Un equipo puede concentrarse en la parte que necesita atención sin reconstruir toda la aplicación.
Un punto de referencia para tareas variadas
Los investigadores también introdujeron el Variational Automation Benchmark for Agentic Robotics, o VABAR. Incluye seis tareas: clasificar herramientas, colgar herramientas, engranar piezas, empaquetar jeringas, insertar cables y enrutar cables.
Las tareas abarcan dificultades distintas. Clasificar y colgar requieren reconocer y colocar objetos; engranar exige alineación; empaquetar jeringas implica manipulación y disposición; insertar y enrutar cables añade objetos deformables y trayectorias restringidas.
VABAR está construido sobre Isaac Lab-Arena y Newton e incluye variaciones estandarizadas y niveles de dificultad. Un benchmark compartido permite comparar métodos bajo condiciones definidas y observar cuándo un sistema tiene éxito, falla o pierde fiabilidad.
La simulación es el campo de pruebas
RoboSimStudio es otro proyecto de código abierto descrito en el informe. Permite que una IA agéntica programe entornos de simulación robótica. El trabajo se presentó en CoRL 2026, en Austin, Texas, y busca que los agentes no solo escriban la lógica del robot, sino que también creen y utilicen las escenas simuladas.
Según Goldberg, un estudiante de posgrado proporcionó a GPT-6 Astra un vídeo y RoboSimStudio, y el modelo generó una simulación de Newton en una hora. El ejemplo muestra la dirección de la investigación: convertir una referencia visual en una simulación para desarrollar y evaluar programas.
La simulación no reproduce perfectamente todos los detalles de una fábrica. Los robots reales afrontan diferencias de calibración, limitaciones de sensores, materiales cambiantes e interacciones inesperadas. Aun así, probar un programa antes de instalar toda la celda puede dar más tiempo para detectar problemas y perfeccionar el comportamiento.
Por qué importa el lanzamiento
La importancia de la publicación de Berkeley y NVIDIA está menos en una tarea concreta que en el flujo de desarrollo propuesto. Combina generación de código, coordinación multiagente, simulación y resultados legibles para las personas.
Las herramientas son de código abierto, lo que permite a otros investigadores y equipos probar el enfoque en sus propios entornos. La pregunta clave será cómo funcionan cuando las simulaciones se enfrentan a equipos reales, requisitos de producción y revisiones de seguridad.
Por ahora, el trabajo ofrece una alternativa concreta a la secuencia tradicional, en la que el software espera a que termine la mayor parte de la celda física. Si los sistemas agénticos generan programas fiables que los ingenieros puedan inspeccionar y mejorar, podrían adelantar el trabajo de automatización a una fase más iterativa del diseño industrial.
Este artículo se basa en información de The Robot Report. Leer el artículo original.
Originally published on therobotreport.com





