Datos de demostración humana para aprendizaje por imitación

Cada vez más, los robots aprenden observando a las personas. Esta guía explica cómo las demostraciones humanas alimentan el aprendizaje por imitación, qué distingue a una demostración útil de una desperdiciada y por qué la calidad de la recolección decide hasta dónde llegan los datos.

Aprender con el ejemplo

El aprendizaje por imitación entrena a un modelo para reproducir un comportamiento a partir de ejemplos, en vez de descubrirlo mediante un ensayo y error lento y arriesgado. Los ejemplos son demostraciones: grabaciones de una tarea hecha correctamente. Cuando esas demostraciones provienen de personas realizando actividades cotidianas, se convierten en una señal rica y económica para enseñar a los robots cómo transcurren de verdad las tareas: el orden de los pasos, cómo se sostienen los objetos, cómo se recupera una persona cuando algo se resbala.

El atractivo es práctico. Recolectar demostraciones humanas es mucho más barato y rápido que operar robots para generar el mismo comportamiento, y las personas cubren de forma natural la variedad desordenada y real que una política deberá manejar tarde o temprano.

Qué cuenta como demostración

Una demostración es más que un clip de video. Para ser útil en el entrenamiento necesita capturar la tarea y el contexto que la rodea:

• La secuencia de acciones: la tarea completa de principio a fin, en orden.
• Los objetos y el entorno: qué se manipula y dónde.
• El punto de vista: idealmente en primera persona, para que las manos y el contacto permanezcan en el encuadre. Ver nuestra explicación sobre datos egocéntricos para robótica.
• Metadatos estructurados: marcas de tiempo, identificadores de tarea y sesión, y detalles de organización que permitan filtrar y agrupar el clip después.

Qué distingue a una demostración útil de una desperdiciada

La diferencia entre datos que entrenan un modelo y datos que lo contaminan en silencio suele reducirse a la disciplina de recolección. Fallos recurrentes:

• Oclusión: las manos o el objeto salen del encuadre justo en el momento que más importa.
• Captura inconsistente: la resolución, la velocidad de cuadros o la colocación de la cámara varían entre sesiones, así que los clips no son comparables.
• Resultados ambiguos: no queda claro si la tarea realmente tuvo éxito, o se mezclan fallos sin etiquetar.
• Diversidad pobre: todo se graba en una casa, con una sola instancia de objeto, bajo una única condición de luz, y el modelo se sobreajusta.
• Metadatos faltantes: los clips llegan sin una forma confiable de organizarlos o rastrearlos.

Cómo se controla la calidad

Los buenos datos de demostración son el producto de un proceso operativo, no de la suerte. En la práctica eso significa:

1. Criterios de aceptación claros desde el inicio. Todos coinciden en cómo luce una grabación válida antes de que alguien empiece.
2. Instrucciones de captura consistentes. Los participantes siguen un protocolo definido de encuadre, pasos de la tarea y preparación.
3. Control de calidad en cada lote. Se revisan las grabaciones y los clips que no cumplen el estándar se rechazan, no se envían en silencio.
4. Entrega estructurada. Los clips aceptados llegan como archivos organizados —por ejemplo, video MP4 con marcas de tiempo y detalles de sesión— listos para un pipeline de entrenamiento.

Empezar pequeño y luego escalar

La mayoría de los equipos comienza con un piloto: una cantidad modesta de demostraciones para una o dos tareas, usada para confirmar que los datos son realmente útiles. Una vez que funciona, escalan agregando participantes, sitios y categorías de tareas en paralelo. Qué tan rápido escala depende de la complejidad de la tarea, el perfil del participante y la configuración de grabación, y por eso conviene tratar la recolección como un problema de operaciones con un socio capaz de aumentar la capacidad de forma predecible.