El modelo del mundo con física de NTT sube del 73% al 92% el éxito de un robot al apilar en estantes, y Mujin lo probará con equipaje de aeropuerto

NTT ha creado un modelo del mundo que predice si una carga se derrumbará o un objeto caerá antes de que el robot se mueva, y asegura que con él la tasa de éxito de un robot pequeño en una tarea de apilado en estantes subió del 73,1% al 92,3%. La compañía de Tokio lo anunció el 11 de noviembre y prepara pruebas de campo con Mujin, empezando por la carga y descarga de equipaje de aeropuerto de formas y pesos distintos.

La apuesta es que lo que mantiene a un modelo del mundo fiel a las cajas es la física, no más vídeo. Según NTT, los modelos convencionales no representan las magnitudes físicas de los objetos, así que en el vídeo que generan los objetos desaparecen o se deforman, las colisiones salen mal y fallan ante escenas que no estaban en sus datos de entrenamiento. El "adaptador de control físico" de NTT estima a partir del vídeo la posición, la orientación, la velocidad y la masa de cada objeto, calcula el siguiente movimiento con las ecuaciones del movimiento y pasa el resultado a un modelo de generación de vídeo. Con el equipaje, que cambia de forma y peso, reunir datos que cubran cada caso no es realista, dice la empresa. Es la apuesta contraria a la de GR00T 2 de NVIDIA, que aprende sobre todo de vídeo humano.

Puntúa las propuestas del planificador en lugar de sustituirlo

El modelo no conduce al robot. Un modelo VLA o un planificador de movimiento propone varias acciones; el modelo de NTT genera el vídeo de lo que provocaría cada una, lo puntúa según caídas y choques, y el robot elige la que tiene más probabilidades de salir bien. NTT dice que funciona lo bastante rápido como para integrarse en el flujo de control y que, como entrega las magnitudes físicas detrás de cada predicción, los operarios pueden ver por qué espera una caída.

Por eso Mujin encaja como primer socio. Sus controladores ya planifican el paletizado de cajas mixtas para brazos industriales, y un evaluador puede montarse sobre ese software sin reemplazarlo. En OBJ3D, una prueba pública de predicción de vídeo centrada en colisiones entre varios objetos, el modelo superó a métodos anteriores en la métrica de similitud LPIPS, según NTT.

Las pruebas con equipaje dirán si la ganancia de 19 puntos se sostiene. Un robot pequeño que apila objetos en un estante está muy lejos de un brazo de tamaño real que carga maletas cuyo peso el modelo debe adivinar solo con vídeo. NTT mostrará el sistema en su R&D Forum 2026, del 18 al 25 de noviembre.