No era solo un juego, también era un entrenamiento para la IA: Pokemon Go usa los datos de 232 millones de personas para guiar robots repartidores
La base incluye 30.000 millones de imágenes tomadas en más de un millón de ubicaciones en todo el mundo.
Los millones de jugadores de Pokémon GO, sin saberlo, han contribuido durante años a construir uno de los mayores mapas visuales del mundo, una herramienta que ahora está siendo utilizada para mejorar la navegación de robots.
Cuando Pokémon GO se lanzó en 2016, su impacto fue inmediato. En apenas dos meses alcanzó los 500 millones de descargas, convirtiéndose en uno de los fenómenos tecnológicos más destacados de la década.
Personas de todo el mundo salieron a la calle con sus teléfonos móviles para capturar criaturas como Pikachu, visitar gimnasios o localizar puntos de interés repartidos por ciudades, parques y monumentos. Sin embargo, detrás de esas caminatas y capturas se estaba generando algo mucho más valioso que una simple experiencia de juego.
Un mapa global creado a partir de imágenes
Según ha revelado MIT Technology Review, la empresa creadora del juego, Niantic, ha aprovechado los datos recopilados por los jugadores para construir un enorme “modelo del mundo” que puede ayudar a las máquinas a comprender mejor el entorno físico.
La iniciativa se desarrolla a través de Niantic Spatial, la división de inteligencia artificial que la compañía separó recientemente de su negocio principal. El objetivo es crear sistemas capaces de interpretar el espacio real a partir de imágenes captadas por los propios usuarios mientras jugaban.
Para ello, la empresa ha reunido uno de los mayores conjuntos de datos de visión geolocalizada del planeta. La base incluye 30.000 millones de imágenes tomadas en más de un millón de ubicaciones en todo el mundo. Estas fotografías, además de mostrar lugares concretos, también contienen información técnica detallada.
Entre los datos registrados se encuentran el ángulo de la cámara, la hora exacta de la captura, la orientación del teléfono, la velocidad del dispositivo o incluso las condiciones meteorológicas. En conjunto, forman una especie de diccionario visual del mundo real, extremadamente detallado.
Mejorar la precisión del GPS
Uno de los principales problemas que pretende resolver esta tecnología es la falta de precisión del GPS en entornos urbanos. En zonas con muchos edificios altos, las señales pueden rebotar en las fachadas y provocar errores de localización de hasta 50 metros
Para una persona que usa el móvil para orientarse, este margen puede significar aparecer en la acera equivocada en una aplicación de mapas. Pero para sistemas autónomos, como robots o vehículos sin conductor, esa imprecisión puede resultar crítica.
El sistema desarrollado por Niantic utiliza posicionamiento visual. Es decir, compara lo que ve una cámara con la enorme base de datos de imágenes previamente recopiladas para determinar exactamente dónde se encuentra.
Los primero en usarla: robots de reparto
Una de las primeras aplicaciones reales de esta tecnología ya está en marcha con la colaboración entre Niantic Spatial y Coco Robotics. Esta empresa opera pequeños robots de reparto en ciudades como Los Ángeles, Miami o Helsinki. Los vehículos, del tamaño aproximado de una maleta, circulan por las aceras y pueden transportar comida o compras. Hasta ahora han realizado más de medio millón de entregas.
Equipados con cuatro cámaras, los robots comparan lo que captan en tiempo real con la base de datos generada por los jugadores de Pokémon GO. Gracias a ello, pueden determinar su posición con una precisión de apenas unos centímetros, muy superior a la del GPS convencional.
Un paso clave para la robótica
El desarrollo de estos “modelos del mundo” también responde a una necesidad cada vez más común dentro de la inteligencia artificial. Los sistemas actuales son muy avanzados procesando texto o imágenes, pero todavía tienen dificultades para comprender cómo funciona el entorno físico.
Un mapa tridimensional y dinámico del planeta podría ayudar a las máquinas a interpretar mejor calles, edificios o espacios urbanos. De hecho, algunas compañías tecnológicas ya trabajan en sistemas similares para entrenar robots y vehículos autónomos.