MIT y Symbotic presentan un sistema de IA que reduce las congestiones en almacenes con robots autónomos
En los grandes almacenes automatizados, cientos de robots recogen, transportan y distribuyen mercancías al mismo tiempo para responder al flujo constante de pedidos. En un entorno así, incluso una breve desaceleración puede convertirse muy rápidamente en un problema operativo grave: una detención arrastra a otra, los robots pierden sus rutas óptimas y la capacidad total del almacén cae precisamente cuando la velocidad es más importante. Un nuevo método desarrollado por investigadores del Massachusetts Institute of Technology y de la empresa Symbotic intenta resolver precisamente ese problema haciendo que el sistema evalúe en tiempo real qué robots deben tener prioridad de paso y en qué momento, para evitar las congestiones antes de que se conviertan en un cuello de botella.
Según la información disponible del MIT, se trata de un enfoque híbrido que combina aprendizaje profundo por refuerzo, es decir, deep reinforcement learning, con algoritmos clásicos de planificación de trayectorias. Esa combinación no es casual. En la práctica, se demuestra que los sistemas diseñados únicamente de forma manual tienen dificultades para mantener la eficiencia cuando el número de robots, el número de tareas y la densidad del tráfico aumentan de forma repentina, mientras que el aprendizaje automático totalmente autónomo sin restricciones adicionales a menudo no es lo bastante fiable para operaciones logísticas complejas. Por eso, el nuevo modelo no asume toda la gestión del almacén, sino que primero aprende a determinar prioridades entre los robots y luego transfiere esas decisiones a un sistema de planificación probado que envía a cada robot instrucciones de movimiento viables.
Qué desarrolló el equipo de investigación
El autor principal del trabajo, Han Zheng, doctorando en el Laboratory for Information and Decision Systems del MIT, junto con sus colegas Yining Mao, Brandon Araki, Jingkai Chen y la profesora Cathy Wu, desarrolló un sistema que observa el estado del almacén y evalúa dónde podría “colapsar” el tráfico si todos los robots siguieran circulando según las reglas actualmente establecidas. En lugar de reaccionar solo cuando se produce una congestión, el modelo intenta identificar de antemano a los robots que podrían quedar bloqueados y, si es necesario, darles mayor prioridad o redirigir el flujo de movimiento.
Este enfoque es especialmente importante en los almacenes que operan sin interrupción y en los que los robots no realizan una única acción predeterminada, sino que reciben constantemente nuevas tareas en cuanto terminan las anteriores. Esto significa que la imagen del tráfico cambia de un segundo a otro. Por lo tanto, el sistema no optimiza solo una ruta de un punto A a un punto B, sino que reevalúa constantemente las relaciones entre un gran número de unidades autónomas que comparten el mismo espacio, los mismos pasillos y los mismos cruces.
En el trabajo publicado en la revista
Journal of Artificial Intelligence Research, los autores describen este problema a través del marco del llamado lifelong multi-agent path finding, un área que se ocupa de la coordinación de larga duración de múltiples agentes autónomos en un espacio cambiante. Traducido al lenguaje de la logística, esto significa que el sistema no planifica el tráfico solo para una tarea breve, sino para el funcionamiento continuo de un almacén en el que aparecen constantemente nuevos encargos y en el que los robots no deben entrar en conflicto ni siquiera cuando las condiciones sobre el terreno cambian muy rápido.
Cómo funciona la combinación de inteligencia artificial y planificación clásica
La parte central de la solución es una red neuronal entrenada en simulaciones que imitan las disposiciones de almacenes reales de comercio electrónico. Durante ese aprendizaje, el modelo recibe una “recompensa” mediante prueba y error cuando sus decisiones aumentan la capacidad de flujo del sistema y al mismo tiempo reducen los conflictos entre robots. En otras palabras, el algoritmo no aprende solo cómo hacer que un robot llegue más rápido, sino cómo hacer que todo el sistema entregue más paquetes con menos interferencias mutuas.
Después de que el modelo evalúa a qué robots debe darse prioridad, entra en escena el algoritmo clásico de planificación. Precisamente esa segunda capa es importante para la aplicación industrial porque permite generar rápidamente rutas concretas y viables. Esa división del trabajo entre inteligencia artificial y métodos de optimización probados apunta a una tendencia más amplia en la robótica contemporánea: los mejores resultados a menudo no los ofrece un sistema que lo deja todo en manos de un solo modelo, sino uno que confía al aprendizaje automático las decisiones en las que puede reconocer patrones, y deja a los planificadores formales la parte del trabajo en la que la velocidad, la estabilidad y la seguridad son decisivas.
Según el MIT, el modelo está diseñado para tener en cuenta tanto los efectos a corto plazo como los efectos a largo plazo de las decisiones. No basta, por ejemplo, con liberar un pasillo estrecho si eso va a crear unos segundos después una congestión mayor en el otro extremo del almacén. Por eso, el sistema evalúa cómo las interacciones actuales entre robots podrían trasladarse a futuros cuellos de botella e intenta reaccionar antes de que el problema se desarrolle por completo.
Resultados: alrededor de un 25 por ciento más de capacidad de flujo en las simulaciones
El resultado más llamativo de la investigación es el dato de que el nuevo método logró en simulaciones inspiradas en disposiciones reales de almacenes alrededor de un 25 por ciento más de capacidad de flujo que los enfoques comparados. Según la descripción del trabajo, la comparación incluyó algoritmos tradicionales y búsqueda aleatoria, y la medida de éxito fue el número de paquetes entregados por robot. En el sector logístico, donde la ventaja competitiva suele medirse en segundos, una ganancia así no es trivial. Los propios autores subrayan que en los grandes almacenes incluso un aumento de eficiencia de solo un dos o tres por ciento puede tener un impacto empresarial perceptible, por lo que un resultado de aproximadamente una cuarta parte más de capacidad de flujo en condiciones de simulación muestra por qué la industria invierte cada vez más en sistemas de este tipo.
Sin embargo, es importante mantener la cautela al interpretar esas cifras. Los investigadores indican expresamente que el sistema aún está lejos de una aplicación plena en almacenes reales. Las simulaciones pueden representar de forma muy convincente la disposición de los pasillos, la densidad del tráfico y la lógica de las tareas, pero no pueden abarcar perfectamente toda la imprevisibilidad del trabajo en vivo, desde desviaciones de hardware y diferentes niveles de desgaste del equipo hasta interrupciones inesperadas y restricciones de seguridad. Por eso, el resultado del 25 por ciento no es una garantía de que el mismo efecto vaya a repetirse automáticamente en cada instalación concreta, sino un indicador de que el enfoque tiene un potencial serio.
Por qué el problema es más complejo de lo que parece
A primera vista puede parecer que se trata simplemente de una cuestión de normas de tráfico para robots. Pero en realidad se trata de un problema de optimización muy complejo. Cuantos más robots haya en el mismo espacio, más rápidamente crece el número de conflictos posibles y bloqueos mutuos. Los autores señalan que, a medida que aumenta la densidad de robots, la complejidad del problema crece de forma exponencial, por lo que los métodos tradicionales empiezan a quedarse atrás precisamente en las situaciones en las que más se necesitan.
En los sistemas clásicos, los expertos diseñan por adelantado las reglas de movimiento, las prioridades de paso y la lógica de redirección. Esos sistemas pueden ser muy eficaces mientras el entorno sea relativamente predecible. Pero los almacenes modernos, especialmente los vinculados al comercio electrónico y a la distribución de bienes de consumo, operan bajo una fuerte presión de una demanda cambiante. Los pedidos no llegan de manera uniforme, los artículos difieren en tamaño y ubicación, y los robots deben incorporarse rápidamente a nuevas tareas. En esas circunstancias, las reglas predefinidas se vuelven fácilmente demasiado rígidas.
Y ahí es donde destaca la ventaja de un modelo que puede adaptarse a una disposición distinta del almacén, a un número distinto de robots y a una densidad distinta del tráfico. El MIT señala que la red neuronal entrenada puede trasladarse también a nuevos entornos, algo especialmente importante para la industria porque no existen dos centros de distribución completamente iguales. Un almacén de bienes de consumo, un centro de distribución farmacéutica y un centro logístico para comercio electrónico pueden tener una lógica básica similar, pero también ritmos de trabajo, disposición de estanterías y puntos críticos de tráfico notablemente distintos.
Contexto más amplio: de los almacenes inteligentes a cadenas de suministro más resistentes
Esta investigación llega en un momento en el que la automatización de almacenes ya no es un experimento aislado, sino una parte importante de la transformación más amplia de las cadenas de suministro. En su sitio oficial, Symbotic describe su propio sistema como una plataforma de alta densidad, guiada por inteligencia artificial, que coordina cientos de robots autónomos en operaciones de almacén. En un modelo de negocio así, la cuestión de la fluidez ya no es solo un detalle técnico, sino que afecta directamente a la velocidad de procesamiento de mercancías, al aprovechamiento del espacio, a los costes laborales y a la capacidad de la empresa para responder a los picos estacionales de demanda.
En los últimos años, el sector logístico se orienta cada vez más hacia la idea de que un almacén no sea solo un espacio pasivo de almacenamiento, sino un sistema dinámico en el que el software decide constantemente qué tiene prioridad: qué artículo va primero, qué ruta es la más segura, qué robot debe asumir la tarea y dónde amenaza una congestión. En ese sentido, el trabajo del MIT y de Symbotic no es solo otro resultado de laboratorio, sino parte de una transición más amplia de la automatización estática a la gestión adaptativa en tiempo real.
Ese cambio también tiene una dimensión económica. Cuando en los grandes centros de distribución se reduce el número de interrupciones, el efecto no se ve solo en un movimiento más rápido de los robots, sino también en un ritmo de entrega más estable, un menor riesgo de retrasos y una mayor previsibilidad operativa. Para comerciantes, fabricantes y transportistas, eso significa un sistema más resistente en una cadena que en los últimos años ha estado a menudo bajo presión por perturbaciones, desde picos de demanda hasta escasez de mano de obra.
Qué quieren seguir mejorando los investigadores
Aunque los resultados son alentadores, los autores también hablan abiertamente de las limitaciones. El siguiente paso, según la descripción de la investigación, no es solo una mejor gestión del tráfico, sino también incluir la propia asignación de tareas en el modelo de toma de decisiones. Esto es importante porque la congestión no depende solo de cómo se mueven los robots, sino también de qué trabajo se asigna a qué robot. Si varios robots reciben al mismo tiempo tareas que los envían hacia la misma zona estrecha del almacén, el problema surge incluso antes de que comience la planificación de trayectorias.
Por eso, las futuras versiones del sistema deberían conectar dos niveles de decisión que en la práctica a menudo se consideran por separado:
quién asume la tarea y
cómo se desplaza hacia ella. En los grandes sistemas, esto podría ser decisivo porque el tráfico no es solo consecuencia de la disposición de los pasillos, sino también de la manera en que el trabajo se distribuye a lo largo del tiempo. Los investigadores también señalan que quieren ampliar el sistema a almacenes más grandes con miles de robots, lo que constituye un paso lógico, pero técnicamente muy exigente.
La frontera entre un resultado académico y una aplicación industrial
Una de las cuestiones más importantes para la industria es con qué rapidez soluciones como esta pueden pasar de las simulaciones a instalaciones reales. Sobre la base de los datos disponibles, la respuesta es prudente. La investigación demuestra viabilidad y beneficios potenciales, pero no sugiere que la implantación comercial completa esté a la vuelta de la esquina. En los almacenes en los que los robots trabajan a gran velocidad, cada nuevo algoritmo debe cumplir criterios estrictos de fiabilidad, seguridad y previsibilidad del comportamiento. Además, los sistemas empresariales no exigen solo la máxima eficiencia, sino también una tasa de error muy baja.
Precisamente por eso, el enfoque híbrido puede resultar atractivo para la industria. En lugar de que las empresas entreguen de golpe toda la gestión al aprendizaje profundo, pueden introducir el aprendizaje automático como una capa que ayude a determinar prioridades, mientras que el resto del sistema sigue bajo el control de planificadores ya probados en condiciones operativas. Esa integración gradual suele ser una vía más realista hacia la aplicación que una sustitución completamente radical de los sistemas existentes.
Para la comunidad académica, este trabajo también es interesante porque muestra cómo los métodos desarrollados para el tráfico, la optimización y los sistemas multiagente pueden transferirse con éxito a la logística. Para el mercado, en cambio, la señal importante es que la inteligencia artificial en los almacenes no tiene por qué significar necesariamente solo visión por computador, reconocimiento de objetos o mantenimiento predictivo. Una parte cada vez mayor del valor también se genera en esa capa menos visible, en la toma de decisiones algorítmica que determina quién se mueve y cuándo, dónde se ralentiza y cómo todo el sistema evita frenarse a sí mismo.
Si los resultados de las simulaciones se confirman al menos parcialmente en operaciones reales, eso podría significar una nueva fase en el desarrollo de los almacenes automatizados: aquella en la que el éxito ya no se medirá solo por el número de robots o el grado de automatización, sino por la capacidad del sistema para tomar, en medio del tráfico, una decisión mejor que las reglas predefinidas. En el mundo de la logística, donde unos pocos puntos porcentuales de eficiencia pueden significar diferencias millonarias, precisamente esa capacidad de adaptación podría convertirse en una de las ventajas clave.
Fuentes:- - MIT News Topics / Robotics – publicación del título y la fecha del artículo sobre el nuevo sistema de gestión del tráfico de robots de almacén (enlace)
- - MIT News Topics / Artificial Intelligence – confirmación de la publicación del artículo el 26 de marzo de 2026 y de la descripción básica de la investigación (enlace)
- - Journal of Artificial Intelligence Research – registro del trabajo “Learning-guided Prioritized Planning for Lifelong Multi-Agent Path Finding in Warehouse Automation”, con datos de publicación de marzo de 2026 (enlace)
- - MIT News, 2024 – contexto anterior de la investigación del MIT sobre la optimización del movimiento de robots en almacenes (enlace)
- - Symbotic – descripción oficial del sistema de automatización de almacenes y de la coordinación de robots autónomos (enlace)
- - Symbotic – descripción oficial de la flota robótica y del software de IA que coordina el movimiento de robots autónomos (enlace)
Encuentra alojamiento cerca
Hora de creación: 1 horas antes