Crean una granja virtual de tomates para enseñar a robots a cosecharlos con inteligencia artificial
El sistema, creado en Osaka, genera imágenes sintéticas que replican condiciones reales de cultivo
La red neuronal detecta el grado de madurez de cada fruto con más precisión que los métodos previos
Entrenar a un ejército de robots para que distingan tomates maduros de otros verdes no es tan sencillo como parece. Hacerlo a escala, en invernaderos reales, con luz cambiante y hojas que tapan la fruta, es uno de los mayores cuellos de botella de la robótica agrícola.
Un equipo de investigadores de la Universidad Metropolitana de Osaka ha encontrado una solución: construir granjas virtuales de tomates tan detalladas que los robots con inteligencia artificial aprendan a cosechar tomates sin pisar un invernadero real.
La investigación, publicada en la revista Smart Agricultural Technology, propone un entorno agrícola virtual capaz de generar automáticamente datos de entrenamiento para sistemas de IA. El resultado es una herramienta que puede transformar la forma en que se diseñan y preparan los robots para la cosecha automatizada.
El problema de los datos reales
Los sistemas actuales de robótica agrícola dependen de la detección de objetos para localizar los frutos y de algoritmos de inteligencia artificial para evaluar su madurez. El problema está en la fase de entrenamiento: cada imagen obtenida en una granja real debe etiquetarse manualmente, dibujando cuadros alrededor de cada tomate y clasificándolo por su estado de maduración.
Este proceso es lento, costoso y extraordinariamente sensible a las variaciones del entorno. La iluminación cambia a lo largo del día, la forma de las plantas difiere entre variedades y temporadas, y las condiciones de cada explotación agrícola son distintas. Recopilar suficientes imágenes etiquetadas para entrenar un modelo robusto puede llevar meses de trabajo en campo.
Granja virtual con física real
Para superar esta barrera, el equipo liderado por Takuya Fujinaga, del Departamento de Ingeniería de la Universidad Metropolitana de Osaka, reconstruyó en tres dimensiones el interior de un invernadero de tomates a partir de imágenes captadas por cámaras montadas en robots agrícolas reales.
Usando Unreal Engine 5 —el mismo motor gráfico empleado en videojuegos de última generación— junto con una técnica emergente llamada 3D Gaussian Splatting, los investigadores recrearon la geometría, las texturas y las condiciones lumínicas del cultivo con un nivel de detalle que imita de cerca la realidad. El entorno virtual reproduce situaciones complejas: hojas que tapan los frutos, sombras proyectadas por los tallos, cambios de luz y fruta parcialmente oculta.
Etiquetado automático
La ventaja clave del sistema reside en la automatización. A diferencia del etiquetado manual en granjas reales, la granja virtual genera automáticamente las anotaciones necesarias para entrenar robots con inteligencia artificial: indica con precisión dónde aparece cada tomate en la imagen y cuál es su grado de madurez.
Además, el sistema exporta estos datos directamente en formato YOLO, el estándar más utilizado en el sector para el entrenamiento de modelos de detección de objetos. Esto facilita su integración en los flujos de trabajo habituales de los equipos de robótica agrícola que ya trabajan con esta arquitectura.
Detección en campo real
Los investigadores entrenaron varios modelos de inteligencia artificial con los conjuntos de datos sintéticos generados por la granja virtual y comprobaron su rendimiento con imágenes tomadas en invernaderos reales. Los resultados confirmaron que los robots entrenados con datos virtuales son capaces de detectar y cosechar tomates con eficacia en condiciones reales.
«Comparando las diferencias en la forma de los modelos 3D de tomates, las condiciones de iluminación y la cantidad de datos, identificamos qué factores afectan a la precisión de la IA», explicó Fujinaga. «Comprender cómo influyen la iluminación, la forma del tomate y el tamaño del conjunto de datos en el rendimiento de detección son hallazgos importantes para mejorar el modelo en el futuro», añadió.
Más allá del tomate
El alcance del trabajo va más allá del cultivo del tomate. Según el propio equipo investigador, los factores que determinan el rendimiento de los modelos —iluminación, geometría del fruto, volumen de datos— son relevantes para una amplia gama de productos agrícolas.
«Aunque hemos estudiado los tomates, factores similares son importantes en la recolección de una gran variedad de productos agrícolas», señaló Fujinaga. «Estamos muy ilusionados con el potencial de aplicar este método a cultivos distintos del tomate», recalcó.
La investigación, financiada por la Sociedad Japonesa para la Promoción de la Ciencia, abre la puerta a un nuevo paradigma en la formación de robots agrícolas: uno en el que el aprendizaje ocurre en mundos sintéticos antes de que la máquina toque un fruto real. Una estrategia que podría acelerar de forma decisiva la automatización de la cosecha en todo el mundo.
