affordance

En robótica, una "affordance" es una propiedad o característica de un objeto en el entorno que permite una acción o interacción específica por parte del robot. Cuando el sistema de visión de un robot detecta un asa en una puerta, esa asa permite agarrarla; cuando ve una superficie plana a la altura correcta, esa superficie permite colocar un objeto. Las "affordances" son relacionales: no existen solo en el objeto, sino en el emparejamiento del objeto con las capacidades y limitaciones del robot. Un pequeño saliente permite el agarre de una pinza con mordazas de 10 mm, pero no de una con una holgura mínima de 20 mm.

El concepto surgió de la psicología ecológica, pero se ha vuelto esencial en la manipulación y navegación robótica moderna. En lugar de programar reglas explícitas para cada acción, los ingenieros construyen sistemas que aprenden o detectan "affordances": características visuales que señalan cómo se puede usar un objeto. Un robot que aprende de una demostración humana podría identificar que las formas cilíndricas con superficies texturizadas permiten el agarre en ciertos diámetros, o que las superficies orientadas hacia abajo permiten el movimiento de deslizamiento. El robot asocia las señales visuales y táctiles con resultados de manipulación exitosos.

Las "affordances" en la percepción y el control

En la práctica, un robot debe inferir las "affordances" a partir de los datos del sensor, ya sean cámaras, sensores de profundidad, retroalimentación de fuerza o matrices táctiles. Una tarea de empuje requiere superficies que permitan el deslizamiento sin una fricción excesiva; una tarea de apilamiento requiere superficies que permitan un contacto estable y una distribución del peso. Los sistemas de aprendizaje profundo entrenados con datos de manipulación pueden predecir mapas de "affordances", típicamente matrices de características espaciales superpuestas en imágenes de cámara, que indican dónde y cómo es posible la interacción. Estos mapas impulsan la planificación del movimiento y la configuración del efector final.

La falta de coincidencia de "affordances" es un modo de falla común. Un robot entrenado para reconocer asas en objetos cilíndricos puede fallar en asas ovaladas o en forma de D. Una pinza calibrada para plástico liso puede resbalar en metal aceitoso. La variación ambiental, el ruido del sensor y el desgaste de los dedos mecánicos degradan la detección de "affordances". Por eso, los sistemas robustos combinan múltiples entradas de modalidad e incluyen detección de fuerza o torque para confirmar que una "affordance" prevista realmente existe antes de comprometerse con una acción contundente.

El término en sí proviene de la teoría del diseño de James Gibson, quien lo utilizó para describir las posibilidades de acción que un entorno presenta a un organismo. En robótica, las "affordances" cierran la brecha entre la percepción y la acción: son la interfaz entre lo que el robot observa y lo que puede hacer. La comprensión de las "affordances" es ahora fundamental para la transferencia de simulación a la realidad, donde los robots entrenados en simulación deben reconocer que las "affordances" en el mundo físico pueden diferir sutilmente de las del modelo simulado.