Investigadores de la Universidad de Maryland han desarrollado PolarDepth, un sistema que mejora la percepción de los robots en entornos con superficies transparentes, como las mamparas de cristal. Este método combina imágenes convencionales con información sobre la polarización de la luz para resolver errores de profundidad y odometría visual que ocurren cuando los sensores láser o cámaras convencionales no distinguen entre vidrio y objetos reales. El sistema utiliza una única cámara de polarización para generar dos representaciones de la escena: una imagen de color estándar y otra que incorpora datos de polarización, denominadas Polar-RGB. Un sistema de aprendizaje automático combina estas dos fuentes píxel a píxel, asignando más peso a la información más fiable en cada zona. Las pruebas en entornos acristalados demostraron mejoras significativas en la estimación de distancias y el movimiento, aunque los autores aclaran que la tecnología no elimina por completo el riesgo de colisiones durante la navegación autónoma. Este avance se suma a estudios previos, como los de la Universidad Tecnológica de Sídney en 2017, que también abordaron el reconocimiento de paneles acristalados. Mientras empresas como Tesla, Agility Robotics y Boston Dynamics integran robots en entornos industriales, la capacidad de estas máquinas para interpretar correctamente la luz y la geometría del espacio sigue siendo un desafío crítico para su despliegue generalizado.
Noticias agregadas con IA