El control de robots humanoides ha avançat enormement gràcies a l'aprenentatge per reforç i la simulació, però el salt del simulador al món real continua sent un repte crític. Un robot que es comporta de manera impecable en un entorn virtual pot, en ser transferit a un escenari físic, entrar en estats fora de distribució (out-of-distribution, OOD) que provoquen fallades silencioses i potencials danys al maquinari. Detectar aquestes anomalies en temps real, amb una taxa de falsos positius extremadament baixa i proporcionant un diagnòstic interpretable, és una necessitat urgent per a la robòtica industrial i de servei. Aquí és on entra RAPT (Recurrent Anomaly Probabilistic Trajectory Model), un monitor de desplegament lleuger, auto-supervisat i que opera a 50 Hz, dissenyat específicament per a robots humanoides.
RAPT aprèn el comportament nominal a partir de simulacions a gran escala i genera senyals de desviació predictiva calibrada per a cada dimensió de l'estat del robot. Això permet detectar quan i on l'execució real s'allunya del comportament esperat, fins i tot sota restriccions estrictes de falsos positius. En proves realitzades en quatre tasques del simulador Isaac Lab, RAPT va aconseguir una millora del 37% en la taxa de veritables positius (TPR) amb una taxa de falsos positius per episodi del 0,5%, superant els mètodes existents. En maquinari, en 78 proves, va assolir un 89% de TPR amb menys falsos positius que els competidors compatibles amb alta freqüència.
Però RAPT no només detecta anomalies: també localitza el moment i les articulacions concretes on es produeix la desviació, i combina saliència temporal, resums cinemàtics articulars i raonament semàntic basat en models de llenguatge gran (LLM) per classificar les possibles causes de la fallada en un entorn zero-shot. En un subconjunt desafiant de dades OOD, va aconseguir un 75% de precisió en el diagnòstic semàntic de fallades en 21 categories diferents. Aquesta capacitat de diagnòstic és crucial perquè els equips d'enginyeria puguin actuar ràpidament, sense necessitat d'etiquetar manualment milers d'exemples.
Des d'una perspectiva tècnica, RAPT representa un avenç significatiu en la fiabilitat dels sistemes robòtics. La seva arquitectura recurrent processa seqüències d'estats del robot i prediu distribucions de probabilitat per a cada dimensió (per exemple, posició, velocitat, parell de cada articulació). La diferència entre la predicció i l'observació real es converteix en un senyal d'anomalia calibrada, cosa que permet establir llindars amb una taxa de falsos positius previsible. A més, en operar a 50 Hz, és compatible amb la majoria dels bucles de control de robots humanoides sense afegir latència significativa.
L'aplicació pràctica de RAPT va més enllà del laboratori. Empreses que integren robots humanoides en processos productius, logístics o d'assistència necessiten garantir que el programari de control no cometi errors catastròfics. La incorporació d'un monitor com RAPT permet als desenvolupadors identificar ràpidament problemes de transferència sim2real, ajustar polítiques de control i reduir el temps de posada en marxa. A més, el diagnòstic semàntic facilita la comunicació entre enginyers de programari i maquinari, accelerant la correcció de fallades.
En aquest context, Q2BSTUDIO ofereix serveis de desenvolupament de programari a mida que poden integrar solucions d'intel·ligència artificial com RAPT en sistemes de control robòtic. La nostra experiència en IA, ciberseguretat, cloud AWS/Azure i Business Intelligence (Power BI) ens permet construir plataformes robustes que no només detecten anomalies, sinó que també ofereixen visibilitat operativa i seguretat en temps real. Per exemple, podem ajudar a un fabricant de robots a connectar RAPT amb dashboards de Power BI per monitoritzar l'estat de la flota, o a desplegar la inferència al núvol amb escalabilitat elàstica utilitzant AWS o Azure.
La ciberseguretat també juga un paper fonamental: si un robot humanoide és vulnerable a atacs que injectin estats anòmals, un detector com RAPT podria identificar comportaments maliciosos. Q2BSTUDIO integra pràctiques de ciberseguretat a cada capa del desenvolupament, des de la comunicació entre robots fins a l'emmagatzematge de dades de telemetria. A més, els agents d'IA que desenvolupem poden utilitzar la sortida de RAPT per reaccionar en temps real, per exemple, activant un mode segur o alertant a un operador humà.
El futur de la robòtica humanoide passa per sistemes que no només aprenguin a moure's, sinó que també sàpiguen quan estan fallant i per què. RAPT obre la porta a una nova generació de monitors de desplegament que combinen lleugeresa, precisió i capacitat de diagnòstic. A Q2BSTUDIO estem preparats per ajudar a les empreses a implementar aquestes tecnologies, ja sigui mitjançant projectes de consultoria, desenvolupament d'aplicacions a mida o integració de plataformes cloud. La convergència de IA, robòtica i cloud està redefinint el que és possible, i la detecció primerenca d'anomalies és el primer pas cap a robots veritablement autònoms i fiables.
