Un equipo de investigación de UC Berkeley ha presentado RATS (Robotics Agent Teams), un marco innovador para el aprendizaje robótico lúdico y autónomo que permite a los robots adquirir habilidades mediante el juego autodirigido, sin necesidad de instrucciones explícitas.
Publicado en arXiv el 17 de junio de 2026, el artículo "Playful Agentic Robot Learning" aborda una limitación fundamental de los sistemas robóticos actuales: solo aprenden cuando se les dice explícitamente qué hacer. RATS invierte este paradigma tratando a los robots como exploradores curiosos que descubren e internalizan habilidades reutilizables de forma proactiva.
Cómo funciona RATS:
El sistema opera mediante una arquitectura multiagente durante una fase de "juego". RATS propone tareas exploratorias novedosas pero aprendibles, planifica y ejecuta políticas de código robótico, verifica el progreso intermedio, diagnostica fallos, reintenta con retroalimentación densa a nivel de paso y destila ejecuciones exitosas en una biblioteca persistente de habilidades de código.
Resultados de rendimiento:
En experimentos con los benchmarks LIBERO-PRO y MolmoSpaces, RATS logró mejoras notables:
- 20,6 puntos porcentuales de mejora sobre agentes estándar en LIBERO-PRO
- 17,0 puntos porcentuales en MolmoSpaces
- Las habilidades aprendidas mejoraron RoboSuite en 8,9 puntos y la transferencia al mundo real en 8,8 puntos
Importancia:
Esta investigación demuestra que el "juego" no supervisado puede producir bibliotecas de habilidades de código de alta calidad y transferibles entre entornos. El enfoque abre nuevas posibilidades donde los robots mejoran continuamente mediante la exploración autodirigida.
