Seis robots humanoides de AgiBot completan 1.730 tareas en una prueba de 24 horas en una tienda de Shanghái

Un día completo detrás del mostrador, con cuatro robots que superaron la prueba

Seis robots humanoides AgiBot G2 completaron 1.730 tareas durante una prueba de 24 horas en una tienda de conveniencia en funcionamiento en el distrito de Xuhui, en Shanghái. Atendieron a clientes durante el almuerzo, la tarde, la noche y el desayuno. Cuatro de los seis superaron la evaluación de prueba, que valoró la realización de tareas, la rapidez de respuesta, la gestión de situaciones imprevistas y los comentarios de los clientes.

El desafío se desarrolló desde las 10:00 del 2 de noviembre hasta las 10:00 del 3 de noviembre. Cada robot tenía una tarea fija, desde saludar a los clientes y buscar productos hasta preparar café y limpiar mesas. AgiBot informó que la transmisión en directo atrajo a más de 2 millones de espectadores en línea.

Según el recuento final de la empresa, la tarea más frecuente fue recibir a los clientes, con 683 interacciones. Los robots también completaron 369 búsquedas y entregas de productos, prepararon 147 cafés y 126 pedidos de desayuno, repusieron productos y revisaron estantes 277 veces, y limpiaron mesas en 128 ocasiones.

La prueba reunió en un mismo lugar varios problemas complejos: entender lo que quiere un cliente, encontrar el producto correcto, manipular objetos con cuidado y desplazarse entre personas. Los evaluadores invitados cambiaron deliberadamente de lugar algunos productos y bloquearon rutas, mientras la tienda seguía atendiendo al público.

AgiBot describió la prueba como una operación sin intervención humana directa, es decir, sin demostraciones humanas ni ajustes manuales en la tienda. Sin embargo, los resultados publicados dejan incompleta una parte importante de la evaluación: la empresa divulgó el número de tareas completadas y las tasas de éxito de la implementación anterior a la transmisión en directo, pero no ha publicado las tasas de éxito de la prueba de 24 horas ni las cifras de intervenciones humanas.

Cómo se repartieron el trabajo los seis robots

Un robot recibía a los clientes en la entrada. Dos se encargaban de recoger y reponer productos y de revisar los estantes. Un cuarto preparaba café, un quinto trabajaba en la caja y manipulaba comida caliente, y el sexto limpiaba las mesas.

Las tareas fijas suponían distintas cargas de trabajo para las máquinas. Recibir a un cliente requiere una secuencia de acciones diferente de preparar una bebida o empaquetar comida. Incluso dentro de una misma tarea, un robot podía enfrentarse a peticiones cambiantes, productos mal ubicados o un pasillo ocupado por un cliente.

La recepción de clientes y la búsqueda de productos sumaron 1.052 de las 1.730 tareas completadas, cerca del 61 por ciento. Esto permite hacerse una idea de dónde se concentró buena parte de la actividad, aunque el recuento asigna el mismo valor a tareas que pueden requerir tiempos y esfuerzos muy distintos.

El recuento completo fue el siguiente:

• Recepción de clientes: 683.
• Búsqueda y entrega de productos: 369.
• Preparación de café: 147.
• Servicio de desayuno: 126.
• Reposición y revisión de estantes: 277.
• Limpieza de mesas: 128.

En conjunto, los seis robots completaron unas 72 tareas por hora. La demanda real varió a medida que la tienda pasó de los periodos de mayor actividad a las horas más tranquilas de la noche.

Los clientes y los evaluadores cambiaron las condiciones

Los evaluadores invitados plantearon a los robots situaciones que exigían algo más que recordar dónde suelen estar los productos. Mezclaron refrescos de cola normales y sin azúcar y luego pidieron específicamente la versión sin azúcar. También desordenaron un estante lleno de chicles.

Según se informó, los robots combinaron la petición verbal de la bebida con comprobaciones visuales para identificar el refresco sin azúcar correcto. Para ordenar los chicles, contaron visualmente los productos mientras los volvían a colocar en el estante, en vez de depender de las posiciones indicadas por las etiquetas de precio.

Ambas pruebas abordaron un problema habitual en el comercio minorista: la tienda que tiene delante un trabajador puede no coincidir con la distribución prevista. Un cliente puede devolver un producto al lugar equivocado, y dos envases parecidos pueden hacer que productos distintos parezcan casi idénticos.

Los evaluadores también se situaron en los pasillos y dejaron cajas en el camino de los robots. Según se informó, las máquinas se detuvieron y buscaron nuevas rutas para rodear los obstáculos. En una tienda en funcionamiento, el desplazamiento y el servicio están relacionados: llegar a un estante de forma segura es parte de cumplir con el pedido del cliente.

Por qué una bolsa de pan o la puerta de un congelador presentan dificultades

Ren Guanghui, vicepresidente del centro de investigación de inteligencia incorporada de AgiBot, describió las tiendas de conveniencia como entornos exigentes porque contienen muchos tipos de productos, una amplia variedad de solicitudes de clientes y herramientas que los robots deben utilizar. Una tarea en una fábrica puede realizarse en un entorno más estable, con menos tipos de objetos y movimientos.

Empaquetar un panecillo ilustra la dificultad. El robot tiene que usar unas pinzas, sujetar el alimento y abrir una bolsa de papel. Cada paso cambia la posición de los objetos y el espacio disponible para el siguiente movimiento. Sujetar bien el alimento es solo una parte del pedido.

Durante el desarrollo, abrir un congelador planteó otra serie de problemas. El robot tenía que entender en qué dirección se abría la puerta y cuánta fuerza debía aplicar. Después debía coordinar ambos brazos: sujetar la puerta con uno y usar el otro para sacar un producto.

Ren explicó que los sensores de la cabeza y las muñecas, junto con los sensores de fuerza de los brazos, ayudan al robot a evaluar sus movimientos. La detección de fuerza permite que una máquina calcule con cuánta fuerza empuja o tira, lo que ayuda a evitar una colisión brusca o daños en la puerta.

Algunas de las tareas más difíciles implicaban productos que se doblan, se desplazan o se rompen fácilmente. Colgar bolsas de caramelos en ganchos y recoger un pastel blando sin aplastarlo seguían siendo tareas complicadas, y los robots a veces fallaban. Estos ejemplos muestran por qué una prueba en una tienda debe evaluar la calidad de la manipulación, además del número de tareas completadas.

El software que conecta las decisiones con los movimientos

Genie Master, el marco de agentes de inteligencia incorporada de AgiBot, coordinó a los seis robots. La empresa afirma que su Protocolo de Ejecución Incorporada conecta las decisiones sobre las tareas, los movimientos físicos y la retroalimentación sobre los resultados.

En términos sencillos, la inteligencia incorporada es inteligencia artificial que actúa a través de una máquina física. Un robot de tienda tiene que traducir una solicitud en movimientos y luego usar sus sensores para comprobar qué ha ocurrido. Pedir una bebida define un objetivo; encontrar, sujetar y entregar el envase correcto requiere una secuencia de acciones físicas.

AgiBot afirma que su sistema revisa a diario las operaciones exitosas y fallidas, guarda experiencias útiles en la memoria a largo plazo y convierte los intentos corregidos en datos de entrenamiento. Estos datos consisten en ejemplos que el sistema puede utilizar para mejorar su comportamiento posterior.

Ren dijo que, al principio, el sistema de pedidos tuvo problemas con pedidos fallidos, actualizaciones de estado que no se registraban y conflictos relacionados con la posición de los robots. Los problemas de coordinación del flujo de trabajo se revisaban ese mismo día y se introducían cambios al día siguiente sin modificar el modelo.

Los robots también practicaban durante las horas tranquilas. Ren dijo que, durante los periodos de inactividad nocturna, iban a los estantes para practicar tareas más difíciles. Así, la tienda servía tanto como lugar de trabajo como espacio de práctica, con tareas que continuaban fuera de los periodos de mayor afluencia de clientes.

La descripción de la empresa conecta varias partes del desarrollo de robots que suelen presentarse por separado: elegir una acción, ejecutarla y aprender del resultado. La tienda de conveniencia reunió esas partes en una sola implementación, en la que un error en un paso podía afectar al resto del pedido.

Qué evaluó la revisión y qué datos faltan

Cuatro robots superaron la evaluación de prueba, que valoró la realización de tareas, la rapidez de respuesta, la gestión de situaciones excepcionales y los comentarios de los clientes. Dos no la superaron. Los resultados publicados no especifican los resultados individuales de estos últimos ni los motivos del fallo, y tampoco incluyen las tasas de éxito de la prueba de 24 horas ni las cifras de intervenciones humanas.

Durante la implementación de los robots G2 con GO-3 Preview en la tienda, antes de la transmisión en directo, la tasa de éxito de los flujos de trabajo completos pasó del 28,6 por ciento el primer día a un nivel estable del 85,7 por ciento el quinto día. La tasa de éxito en tareas individuales fue 17,7 puntos porcentuales superior a la obtenida con el ajuste fino supervisado convencional, o SFT. Estas cifras corresponden a la implementación anterior a la transmisión en directo, no a la prueba de 24 horas.

Ren dijo que la empresa seguiría un conjunto más amplio de indicadores: tasa de éxito de las tareas, éxito al primer intento, tiempo de respuesta, tiempo total desde la solicitud hasta su realización, entregas aceptables por unidad de tiempo, frecuencia de intervenciones humanas, tiempo de recuperación y disponibilidad del sistema.

Estos indicadores responden a distintas preguntas prácticas. El éxito al primer intento registra si un robot completa correctamente una tarea de inmediato. El tiempo de recuperación mide cuánto tarda en volver a trabajar de forma útil después de un problema. La disponibilidad del sistema indica durante qué proporción del periodo de funcionamiento previsto el equipo está listo para usarse.

Una tienda necesita esos detalles porque una entrega completada puede ser el resultado de una acción rápida y fluida o de varios intentos. Del mismo modo, un robot que responde rápidamente pero tarda mucho en terminar un pedido ofrece una experiencia distinta a la de uno que completa toda la secuencia en poco tiempo.

El recuento final de tareas de AgiBot registra el volumen de actividad completada. Los indicadores más completos permitirían a una tienda evaluar con qué regularidad las máquinas pueden atender a los clientes, cuánto apoyo necesitan y cómo se recuperan cuando algo sale mal.

De los lanzamientos de productos a un turno nocturno

El desafío en la tienda de conveniencia cerró la serie de lanzamientos AI WAVE de AgiBot, que comenzó el 22 de octubre. La serie reunió los conjuntos de datos, la plataforma de simulación, los modelos y el hardware robótico de la empresa en una implementación en directo.

Los principales hitos fueron:

• 22 de octubre: AgiBot inició su serie de lanzamientos AI WAVE.
• 2 de noviembre, 10:00: los seis robots comenzaron el desafío en una tienda de conveniencia del distrito de Xuhui, en Shanghái.
• Del 2 al 3 de noviembre: el equipo trabajó durante las horas punta del almuerzo y la tarde, el turno nocturno y la hora punta de la mañana.
• 3 de noviembre, 10:00: terminó la prueba. AgiBot informó de 1.730 tareas completadas y de que cuatro robots superaron la evaluación.

Ren señaló el trabajo nocturno como una de las aplicaciones prácticas que la empresa está explorando. Las tiendas abiertas las 24 horas necesitan personal durante horarios que alteran los patrones normales de sueño, y algunas tareas repetitivas exigen mantener la atención durante mucho tiempo.

AgiBot también explora el cambio autónomo de baterías para prolongar el funcionamiento. Esto permitiría que un robot sustituyera una batería agotada y volviera al trabajo. Esta iniciativa forma parte de los planes que la empresa ha anunciado para mantener el servicio durante periodos prolongados.

Qué significa la prueba para el trabajo en las tiendas

La implementación en Shanghái asignó a los robots varias tareas de servicio relacionadas entre sí, mientras los clientes seguían comprando. El aspecto práctico más destacado es la variedad de trabajos que intentaron realizar: hablar con los clientes, distinguir productos, manipular alimentos, usar equipos, desplazarse por los pasillos y limpiar superficies compartidas.

Los momentos difíciles fueron igual de concretos. Un pastel blando requiere sujetarlo con cuidado. La puerta de un congelador exige controlar la fuerza y coordinar los brazos. Un producto mal colocado requiere una nueva comprobación visual. Para un trabajador con experiencia, cada una de estas acciones es sencilla, pero para realizarlas se necesita que varias capacidades del robot funcionen en conjunto.

Para un comercio que esté considerando equipos similares, las preguntas centrales son la fiabilidad durante todo un turno, la calidad del servicio en los periodos de mayor actividad y el nivel de apoyo humano necesario. AgiBot ha publicado un volumen considerable de tareas y un resultado mixto en la evaluación de prueba. Los indicadores de rendimiento que propone aportarían el siguiente nivel de detalle necesario para evaluar el uso habitual en una tienda.

Puntos clave

• Seis robots humanoides AgiBot G2 trabajaron del 2 al 3 de noviembre en una tienda de conveniencia en funcionamiento en el distrito de Xuhui, en Shanghái.
• AgiBot informó de 1.730 tareas completadas, entre ellas 683 recepciones de clientes, 369 búsquedas y entregas de productos y 147 cafés.
• Cuatro robots superaron la evaluación de prueba; dos no.
• Los evaluadores cambiaron de lugar los productos y bloquearon pasillos para poner a prueba la identificación, el trabajo en los estantes y la navegación.
• Las tareas delicadas, como recoger un pastel blando y colgar bolsas de caramelos, siguieron siendo difíciles.
• AgiBot describió la prueba como una operación sin demostraciones humanas ni ajustes manuales en la tienda. Antes de la transmisión en directo, el éxito de los flujos de trabajo completos pasó del 28,6 por ciento el primer día al 85,7 por ciento el quinto día, y el éxito en tareas individuales fue 17,7 puntos porcentuales superior al obtenido con el ajuste fino supervisado convencional. Las tasas de éxito de la prueba de 24 horas y las cifras de intervenciones humanas no se han publicado.
• La empresa explora el trabajo nocturno y el cambio autónomo de baterías para prolongar los periodos de funcionamiento.