Cada vez hay más robots en nuestra vida diaria: sirven platos en restaurantes, se mueven por almacenes, ayudan en el campo o reparten paquetes. La promesa es clara: máquinas que no se cansan, no piden descansos y pueden trabajar con precisión constante. Pero hay un problema poco glamuroso y sorprendentemente común que frena esa expansión: los robots se pierden. Y cuando un robot autónomo no sabe dónde está, deja de ser útil… y puede convertirse en un riesgo.

En robótica, este fallo tiene nombre propio desde hace décadas: el “problema del robot secuestrado”. No hace falta un villano para que ocurra. Basta con que alguien lo mueva unos metros sin avisar, que el entorno cambie de golpe, que se apague, o que se quede sin batería en el peor momento. En ese punto, el robot pierde su referencia de ubicación y puede ser incapaz de recuperar su posición por sí solo. Tirar de GPS no siempre salva la situación: en interiores, cerca de edificios altos o en espacios complejos, la señal puede ser insuficiente o directamente inútil.

Un equipo de investigación de la Universidad Miguel Hernández (UMH) de Elche, con Míriam Máximo como autora principal, ha presentado una alternativa pensada para el mundo real: MCL-DLF (Monte Carlo Localisation – Deep Local Feature). La idea mezcla dos piezas que, juntas, atacan el problema desde dos ángulos. Por un lado, un LiDAR 3D que lanza pulsos láser para construir un mapa tridimensional del entorno, en una lógica similar a la de robots aspiradores, pero con una lectura espacial más rica. Por otro, una inteligencia artificial que aprende qué elementos del entorno son realmente útiles para orientarse.

El enfoque es jerárquico y tiene algo muy humano: primero identifica estructuras grandes y, después, afina con detalles más concretos. Además, no apuesta todo a una única respuesta: mantiene varias hipótesis de posición al mismo tiempo y las va descartando o refinando conforme llegan nuevas lecturas de los sensores.

Durante meses, el sistema se probó en el campus universitario bajo condiciones cambiantes —iluminación, vegetación y variaciones del entorno— y mostró más consistencia que métodos convencionales. La relevancia es evidente: sin una localización fiable, el despliegue de robots en logística, reparto, asistencia o vehículos autónomos seguirá dependiendo de supervisión constante.

Aun así, el salto decisivo está por delante. El campus es un buen banco de pruebas, pero los entornos realmente caóticos y en permanente cambio serán la prueba de fuego. También quedará por ver cómo se integra con otros sistemas de navegación y cuál es su coste computacional antes de pensar en un despliegue comercial a gran escala.