La sorprendente evolución de los datos de Pokémon Go

En 2016, el lanzamiento de Pokémon Go no fue solo un éxito rotundo; se convirtió en un fenómeno cultural que sacó a millones de personas a las calles. Armados con sus teléfonos móviles y la premisa de capturar criaturas digitales en el mundo real, los jugadores, sin saberlo, estaban contribuyendo a una de las mayores bases de datos geográficos jamás creadas. Ocho años después, lo que parecía un simple juego ha revelado un propósito mucho más ambicioso: entrenar una inteligencia artificial para guiar robots de reparto en el intrincado laberinto de nuestras ciudades.

Un ejército de mapeadores involuntarios

La desarrolladora Niantic, la mente maestra detrás de Pokémon Go e Ingress (su predecesor de realidad aumentada lanzado en 2013), ha capitalizado la inmensa cantidad de datos generados por sus usuarios. Cada partida, cada captura, cada visita a una 'Poképarada' o un 'Gimnasio' dejó un rastro digital inestimable. Millones de fotos de edificios, plazas y calles fueron etiquetadas con coordenadas extremadamente precisas, un tesoro de información que habría sido imposible de recopilar sin la participación voluntaria y entusiasta de los jugadores.

Según Brian McClendon, CTO de Niantic Spatial, en sus primeros 60 días, la aplicación fue instalada por quinientos millones de personas. Y la fiebre no cesó; en 2024, el juego aún mantenía más de 100 millones de jugadores activos. Esta masa crítica de usuarios, inmersos en su búsqueda de Pokémon, se convirtió, de facto, en una red de mapeadores globales, alimentando con sus interacciones un sistema de mapeo del mundo real sin precedentes.

El desafío de la navegación urbana para robots

El movimiento autónomo en entornos urbanos presenta obstáculos considerables, especialmente para los vehículos pequeños y robots que operan en aceras y zonas peatonales. Aquí es donde el GPS tradicional se encuentra con sus limitaciones más frustrantes.

Las limitaciones del GPS en la ciudad

Los sistemas GPS, vitales para nuestra navegación diaria, fallan cuando se enfrentan a la complejidad de las “cañones urbanos”. Las señales rebotan entre rascacielos, túneles y viaductos, aumentando el margen de error hasta 50 metros. Este nivel de imprecisión es inaceptable para un robot de reparto, que podría terminar en la acera equivocada o, peor aún, en una calle adyacente. McClendon lo subraya: