{"id":185072,"date":"2026-03-27T14:20:10","date_gmt":"2026-03-27T13:20:10","guid":{"rendered":"https:\/\/liora.io\/es\/groundedplanbench-v2gp-planificacion-robotica"},"modified":"2026-03-27T14:20:10","modified_gmt":"2026-03-27T13:20:10","slug":"groundedplanbench-v2gp-planificacion-robotica","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/groundedplanbench-v2gp-planificacion-robotica","title":{"rendered":"GroundedPlanBench y V2GP revolucionan la planificaci\u00f3n rob\u00f3tica"},"content":{"rendered":"

\nLos investigadores han presentado un nuevo marco que mejora dr\u00e1sticamente c\u00f3mo los robots planifican y ejecutan tareas f\u00edsicas complejas, seg\u00fan hallazgos publicados hoy. El sistema Video-to-Spatially Grounded Planning (V2GP) super\u00f3 a los m\u00e9todos actuales al combinar planificaci\u00f3n avanzada con percepci\u00f3n espacial en un \u00fanico modelo, en lugar de manejar estas funciones por separado. Pruebas con el reci\u00e9n creado test GroundedPlanBench mostraron que el enfoque integrado impuls\u00f3 significativamente la capacidad de los robots para completar tareas<\/a> de manipulaci\u00f3n de m\u00faltiples pasos en entornos del mundo real.\n<\/strong><\/p>\n

El avance aborda un desaf\u00edo fundamental en rob\u00f3tica: permitir que las m\u00e1quinas comprendan tanto qu\u00e9 hacer como exactamente d\u00f3nde actuar en entornos reales y desordenados. Seg\u00fan el Microsoft Research Blog<\/b>, los enfoques tradicionales sufren de un fallo cr\u00edtico al traducir instrucciones de alto nivel en acciones f\u00edsicas.<\/p>

Los sistemas rob\u00f3ticos actuales suelen emplear un proceso de dos pasos que primero genera planes basados en texto como \u00abpon una cuchara en el plato blanco\u00bb, y luego intenta localizar los objetos espec\u00edficos. Este enfoque desacoplado<\/b> crea problemas de ambig\u00fcedad. Cuando existen m\u00faltiples objetos similares en una escena, las instrucciones vagas en lenguaje natural a menudo hacen que los robots seleccionen repetidamente el elemento equivocado, lo que lleva al fracaso de la tarea.<\/p>

El nuevo enfoque planificador anclado<\/b> elimina por completo este paso intermedio de lenguaje. En lugar de generar instrucciones en texto, el sistema emite directamente acciones asociadas a coordenadas espaciales precisas, lo que lo hace notablemente m\u00e1s confiable en entornos complejos, informaron los investigadores en el sitio web del proyecto.<\/p>\n\n

Avance en el rendimiento<\/h2>
\"Tabla<\/figure>\n\n

Las pruebas revelaron diferencias de rendimiento dr\u00e1sticas entre los enfoques. En el GroundedPlanBench<\/b>, modelos de \u00faltima generaci\u00f3n como GPT-4V<\/a><\/b> lograron solo una tasa de \u00e9xito del 1,2%<\/b> en tareas que requieren de cinco a ocho acciones, seg\u00fan los hallazgos de la investigaci\u00f3n. Incluso cuando se combinaron con modelos especializados de anclaje espacial, el rendimiento apenas mejor\u00f3 al 3,4%<\/b>.<\/p>

Por el contrario, los modelos entrenados con el marco V2GP alcanzaron 20,5% de \u00e9xito por tarea<\/b> y 46,7% de precisi\u00f3n en acciones<\/b> en las mismas tareas complejas, lo que representa una mejora de seis veces sobre los m\u00e9todos existentes.<\/p>

La validaci\u00f3n en el mundo real con un brazo rob\u00f3tico Franka Research 3<\/b> mostr\u00f3 diferencias a\u00fan m\u00e1s marcadas. El planificador anclado complet\u00f3 con \u00e9xito las tareas de prueba en cuatro de cinco ensayos<\/b>, mientras que el enfoque tradicional desacoplado fracas\u00f3 en todos los intentos, principalmente debido a errores de anclaje espacial.<\/p>\n\n

Impacto en la industria<\/h2>\n\n

El desarrollo podr\u00eda acelerar el despliegue de robots en almacenes, manufactura e industrias de servicios donde las m\u00e1quinas deben navegar entornos impredecibles. Sin embargo, los investigadores reconocen limitaciones actuales, se\u00f1alando que el conjunto referencial y los modelos entrenados a\u00fan no est\u00e1n disponibles p\u00fablicamente.<\/p>

El desarrollo futuro se centrar\u00e1 en integrar modelos del mundo<\/b> que permitan al robot predecir las consecuencias de las acciones antes de la ejecuci\u00f3n, lo que podr\u00eda crear sistemas m\u00e1s deliberativos capaces de razonar sobre causa y efecto en espacios f\u00edsicos, seg\u00fan el Microsoft Research Blog.<\/p>\n

\n

\n Sources\n <\/h3>\n
    \n
  • microsoft.com\/en-us\/research\/blog<\/li>
  • groundedplanning.github.io<\/li>\n <\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"

    Investigadores han presentado un nuevo marco que mejora dr\u00e1sticamente c\u00f3mo los robots planifican y ejecutan tareas f\u00edsicas complejas, seg\u00fan hallazgos publicados hoy. El sistema Video-to-Spatially Grounded Planning (V2GP) super\u00f3 a los m\u00e9todos existentes al combinar planificaci\u00f3n estrat\u00e9gica con conciencia espacial en un \u00fanico modelo, en lugar de manejar estas funciones por separado. Pruebas con el nuevo benchmark GroundedPlanBench demostraron que el enfoque integrado increment\u00f3 de forma significativa la capacidad de los robots para completar tareas manipulativas secuenciales en entornos del mundo real.<\/p>\n","protected":false},"author":87,"featured_media":185070,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2428],"class_list":["post-185072","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticias"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/185072","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/users\/87"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/comments?post=185072"}],"version-history":[{"count":0,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/185072\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media\/185070"}],"wp:attachment":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media?parent=185072"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/categories?post=185072"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}