Un equipo de Mila y Polytechnique Montréal ha construido Milo, un robot guía basado en el cuadrúpedo Unitree Go2 que navega en interiores y exteriores sin mapas previos ni conexión a la nube. El proyecto abre tanto el diseño del hardware como el software, pero todavía es un prototipo de investigación y no un sustituto listo para usar de un perro guía.
Un robot guía que también tiene en cuenta a la persona
Milo parte de un Unitree Go2 Air o Pro al que los investigadores han añadido un ordenador NVIDIA Jetson Orin Nano, un asa telescópica, una articulación impresa en 3D y sensores magnéticos. El conjunto mide la posición relativa de la persona respecto al robot, una información importante que otros sistemas de navegación suelen simplificar: no basta con que el cuadrúpedo evite una papelera si hace pasar al usuario contra ella.
El asa incorpora una cruceta de cinco direcciones. Con ella, la persona puede detener o reanudar la marcha, pedir más o menos velocidad e indicar que quiere girar en la siguiente oportunidad. El robot se ocupa de seguir la zona transitable y de esquivar obstáculos y peatones. Todo el procesamiento se ejecuta a bordo, sin depender de internet, GPS o un ordenador externo.
Según la página oficial del proyecto, el coste estimado del sistema ronda los 2.000 dólares, frente a los aproximadamente 50.000 dólares que los autores atribuyen a criar y entrenar un perro guía. La comparación debe leerse con cuidado: esa cifra del robot describe una plataforma experimental y no incluye certificación, soporte, mantenimiento, seguro ni el servicio de adaptación que exigiría una ayuda técnica comercial.
Percepción local y una política entrenada en simulación
La pila de percepción combina la cámara frontal y el lidar del Go2 con los encoders del asa. Las imágenes se usan para segmentar el suelo transitable y detectar objetos y peatones; el lidar alimenta un mapa tridimensional de vóxeles. Después, el sistema reduce esa información a una vista cenital que representa caminos, obstáculos, personas, robot y usuario.
Esa representación sirve de entrada a una política de navegación entrenada con aprendizaje por refuerzo. El simulador genera caminos, cruces, paredes, obstáculos y peatones aleatorios para enseñar al sistema a avanzar con suavidad y mantener espacio libre alrededor de ambos miembros del conjunto. Los autores afirman que el entrenamiento tarda unos 10 minutos, frente a las cerca de 30 horas citadas para un trabajo anterior, y que la pila completa funciona a 5 Hz en el Jetson Orin Nano.
El artículo técnico, enviado a CoRL 2026, compara esta política con un controlador convencional basado en un mapa de costes. En una prueba exterior sobre una pasarela, el controlador de referencia provocó colisiones del usuario con el límite en las tres repeticiones. La política aprendida no produjo colisiones del usuario, aunque el propio robot chocó dos veces a velocidades altas y fue necesario intervenir.
La prueba con obstáculos estáticos ofrece una lectura parecida. El sistema aprendido protegió mejor a la persona, pero rozó o tocó un macetero en varias repeticiones. Frente a peatones, los resultados publicados son cualitativos: Milo evitó personas que venían de frente, pero tuvo dificultades cuando alguien le adelantaba por detrás. Son resultados prometedores para un banco de investigación, no evidencia suficiente para moverse sin supervisión por una ciudad.
Código abierto, con límites aún importantes
La aportación más útil de Milo puede ser su carácter reproducible. El equipo ha publicado el repositorio oficial en GitHub con licencia MIT y plantea liberar instrucciones de hardware, simulación, entrenamiento, percepción y políticas preentrenadas. El repositorio aún avisa de que la documentación y el código se están preparando, por lo que la apertura anunciada tampoco está completa a fecha de publicación.
Quedan obstáculos técnicos y de validación. La segmentación presupone que el robot comienza colocado sobre una superficie transitable y mirando en la dirección correcta. El método de proyección asume terreno plano, todavía no resuelve pendientes o rampas y no permite cruzar calles. A mayor velocidad, la actualización del mapa lidar puede convertirse en un cuello de botella.
También falta una evaluación con usuarios ciegos o con baja visión en tareas cotidianas prolongadas. Las pruebas descritas emplean circuitos preparados, pocas repeticiones y colaboradores del proyecto. Antes de plantear un producto asistencial harían falta estudios de usabilidad, análisis de riesgos, redundancias, autonomía de batería, respuesta ante fallos y un proceso claro de mantenimiento. Milo demuestra que un cuadrúpedo comercial puede convertirse en una plataforma guía autónoma y abierta; aún no demuestra que pueda asumir de forma segura la responsabilidad de guiar a una persona en el mundo real.
Fuentes
- Milo — página oficial, demostraciones y arquitectura del proyecto [en]
- arXiv — Milo, a Fully Autonomous Indoor/Outdoor Robotic Guide Dog [en]
- GitHub — repositorio oficial de hardware y software de Milo [en]
- Robotics & Automation News — presentación pública del robot guía [en]
- Imagen: Milo — cabecera oficial del proyecto [en]
![Imagen: Milo — cabecera oficial del proyecto [en]](https://fgolemo.github.io/milo/assets/header2.jpg){kind=link}