Por Kaia Glickman*

Ese desafío es más fácil para las personas, porque somos esponjas sensoriales. Nuestros ojos y manos nos proporcionan una enorme cantidad de información sobre el mundo a través de toda una vida manipulando objetos tridimensionales. Otro resultado de todo ese aprendizaje es que, con solo mirar una pieza de tela, intuimos su peso o elasticidad, y cuál sería la mejor forma de doblarla. Para nosotros está claro que la tela de blue jean no se dobla como la seda, por ejemplo, pero los robots no entienden automáticamente que se necesita más fuerza para levantar y doblar unos vaqueros que una blusa delicada, y en su lugar necesitan interactuar con el objeto antes de determinar un plan de doblado.

Además, las “manos” de los robots no son tan versátiles como las nuestras. Muchos tienen pinzas diseñadas específicamente para el tamaño y la forma del objeto que se va a manipular: un robot encargado de atornillar tornillos en un panel de un vehículo, por ejemplo, puede tener una pinza construida para agarrar el tamaño exacto del tornillo. La ropa supone un reto porque las dimensiones de la tela cambian con cada maniobra, por lo que las pinzas deben diseñarse para adaptarse con precisión a cualquier forma y tamaño de tela.

“Los seres humanos tenemos manos flexibles cubiertas de piel que pueden sentir la temperatura, la textura y si algo está húmedo o seco”, afirma Danica Kragic, informática del Instituto Real de Tecnología KTH de Suecia y coautora de un artículo sobre el doblado robótico en el Annual Review of Control, Robotics, and Autonomous Systems de 2025. En resumen, afirma Kragic, “manipular tejidos requiere tanto capacidades avanzadas de manipulación manual como un alto nivel de razonamiento”.

Aunque los robots suelen aprender las propiedades de la ropa real reconociendo las características de las prendas en imágenes, los enfoques más sofisticados a veces utilizan la física para modelar los tejidos como una serie de masas conectadas por resortes, simulando la naturaleza elástica de los tejidos. Pero incluso estas representaciones a menudo no captan la verdadera complejidad de la ropa. Científicos están trabajando para reducir esta brecha con la realidad, como denominan los investigadores a este tipo de problemas, mediante el desarrollo de mejores conjuntos de datos. Un ejemplo es ClothesNet, una colección de 4,400 prendas de vestir simuladas en tres dimensiones, con características como mangas y cuellos etiquetados, para proporcionar una representación más realista de la que los robots puedan aprender.

Una vez que han sido entrenados en las propiedades de un tejido, muchos sistemas robóticos utilizan una estrategia de doblado llamada “pick and place” (recoger y colocar), en la que el robot utiliza tecnología de visión artificial para identificar un punto específico de una camisa (como la manga izquierda), luego recoge ese punto y lo coloca en otro punto específico (quizás la manga derecha). En estos modelos, el origen, el destino y la trayectoria de la maniobra están predeterminados en función de las propiedades supuestas del tejido, como la elasticidad y el peso. Aunque pueda parecer sencillo, este enfoque limita la capacidad de los robots para adaptarse a los cambios en tiempo real del entorno, como unos pantalones mucho más pesados de lo esperado o un botón que estorba. Si se da alguna de estas circunstancias, el sistema no puede cambiar su trayectoria para completar el doblado correctamente.

De hecho, por esta razón, los resultados no son muy buenos. Los investigadores suelen evaluar el éxito de un doblez utilizando una métrica llamada “intersección sobre unión” (IoU), que es básicamente la cantidad de solapamiento de un material después de haber sido doblado. Un doblez perfecto tendría una puntuación IoU de 1, lo que significa que la tela se ha doblado perfectamente por la mitad. En un estudio de 2024, el método “pick and place” obtuvo una puntuación de apenas 0.41 al intentar doblar por la mitad una pieza rectangular de tela.