Inescop presenta sus avances en aprendizaje robótico en ICRA 2026
Inescop ha participado en la IEEE International Conference on Robotics and Automation (ICRA 2026), celebrada del 1 al 5 de junio en Viena (Austria), con un trabajo sobre aprendizaje robótico orientado a mejorar el rendimiento de sistemas entrenados por imitación mediante estrategias de optimización inspiradas en el aprendizaje por refuerzo.
Considerada una de las citas internacionales más relevantes en el ámbito de la robótica y la automatización, ICRA 2026 reunió a más de 8.000 investigadores, profesionales y empresas para compartir los últimos avances en robótica, automatización e inteligencia artificial aplicada.
La participación de Inescop ha permitido dar visibilidad internacional a las líneas de investigación que desarrolla el área de Robótica y Automatización del centro tecnológico, centradas en el desarrollo de soluciones avanzadas para mejorar la autonomía, la robustez y la capacidad de adaptación de los sistemas robóticos en entornos reales.
Aprendizaje por refuerzo en la era del aprendizaje por imitación
En el marco de esta conferencia, Carlos Vélez García, investigador de Inescop, presentó el trabajo “Negative Energy as Reward: Optimizing Beyond Demonstrations in Offline Goal-Conditioned Control” en el workshop “Reinforcement Learning in the Era of Imitation Learning”.
Este workshop abordó uno de los grandes retos actuales de la robótica: cómo mejorar el rendimiento de sistemas entrenados mediante aprendizaje por imitación a través de técnicas inspiradas en el aprendizaje por refuerzo. La sesión reunió a investigadores de referencia internacional y trató cuestiones como el ajuste eficiente de políticas preentrenadas, la adaptación con intervención humana, el uso de gemelos digitales real-to-sim o la evaluación de sistemas robóticos en entornos reales.
Optimizar más allá de las demostraciones
El trabajo presentado por Inescop propone NEaR (Negative Energy as Reward), un modelo de energía de trayectorias entrenado a partir de demostraciones. Su objetivo es avanzar hacia sistemas robóticos capaces de aprender de ejemplos previos, pero también de refinar y optimizar su comportamiento para ir más allá de lo observado durante el entrenamiento.
A diferencia de otros enfoques, que requieren recompensas explícitas, comparaciones entre trayectorias o aprendizaje por diferencia temporal, NEaR aprende directamente desde datos de demostración un objetivo que puede optimizarse. Durante la fase de inferencia, el sistema ajusta las trayectorias mediante la minimización de una energía aprendida, utilizando la energía negativa como una aproximación de recompensa.
Robótica e inteligencia artificial con aplicación industrial
La presencia de Inescop en ICRA 2026 refuerza el posicionamiento del centro tecnológico en el ámbito de la robótica, la automatización y la inteligencia artificial aplicada. Este tipo de avances contribuye al desarrollo de sistemas robóticos más flexibles, capaces de adaptarse a tareas complejas y de operar con mayor fiabilidad en entornos industriales reales.
La investigación se enmarca en el proyecto ROCCA, orientado al impulso de nuevas capacidades tecnológicas en robótica y automatización, y abre nuevas vías para la transferencia de conocimiento hacia sectores industriales que requieren soluciones avanzadas de manipulación, planificación y control robótico.
En este contexto, Inescop refuerza su línea de trabajo en robótica de intervención directa, manipulación flexible y algoritmos de control e inteligencia artificial, con potencial aplicación en procesos de inspección, mantenimiento y automatización avanzada.
Este trabajo ha sido financiado por el Centro para el Desarrollo Tecnológico y la Innovación (CDTI), en el marco del proyecto ROCCA – Robótica Operativa para el Control de Calidad, la Inspección y el Mantenimiento Asistido para Defensa.