Del robot que camina al robot que entiende una misión.

01 / De robot que camina a robot que entiende el terreno

Lo más valioso de un robot cuadrúpedo no es que ande, suba escaleras o mantenga el equilibrio. Es que sepa dónde está.

Eso impresiona en un vídeo, pero no es lo que de verdad cambia las cosas. Lo importante empieza cuando el robot deja de ser una máquina teledirigida y se mueve con criterio propio: reconoce por dónde puede pasar, esquiva obstáculos y construye una idea del espacio que lo rodea.

Ahí aparece un concepto clave: SLAM, siglas de Simultaneous Localization and Mapping. Dicho sin tecnicismos, es la capacidad de un robot para dibujar un mapa mientras averigua en qué punto de ese mapa se encuentra. Es lo que le permite no depender de una persona con un mando: puede recorrer un entorno, recordar caminos, detectar zonas bloqueadas y reorientarse si algo cambia.

En robots como el Go2 esto resulta especialmente interesante, porque ya se ven sistemas que combinan LiDAR, cámaras de profundidad e IMU para una navegación autónoma real. En un trabajo reciente con un Go2 Edu en una biblioteca, el robot usó SLAM visual-LiDAR, localización por fusión de sensores y planificación de rutas para moverse entre pasillos, personas, sillas, bolsas y obstáculos temporales, con tasas de éxito del 100 %, 96 % y 88 % según la complejidad del entorno.

La lectura interesante no es “un robot que pasea por una biblioteca”, sino algo más amplio: si es capaz de moverse en un entorno humano, estrecho, cambiante y lleno de objetos inesperados, empieza a ser razonable imaginarlo en almacenes, fábricas, invernaderos, granjas, explotaciones agrícolas o zonas de inspección.

02 / Ver no es solo esquivar

La navegación autónoma es la base. El verdadero potencial llega cuando le sumamos visión artificial. Un robot que solo navega sabe moverse; uno que además ve y reconoce objetos empieza a entender su misión.

Puede detectar personas, cajas, herramientas, puertas, animales, plantas, frutos, zonas dañadas, charcos o señales. En agricultura, eso cambia por completo el tipo de uso posible. El robot ya no tiene por qué limitarse a seguir una ruta: puede inspeccionar líneas de cultivo, detectar anomalías visuales, revisar zonas de riego, localizar objetos, comprobar accesos o generar datos periódicos sobre el estado de una explotación.

Y no es teoría. En navegación agrícola con visión y lenguaje ya se proponen escenarios donde el robot recibe instrucciones en lenguaje natural y debe interpretarlas visualmente para desplazarse. Un benchmark de 2025 reúne 1.560 episodios en seis escenas agrícolas grabadas desde una cámara frontal montada a la altura de un cuadrúpedo, precisamente para acercar la investigación a las condiciones reales de despliegue.

También se exploran sistemas de navegación orientada a objetos, donde el robot no solo recibe un “ve a este punto”, sino instrucciones del tipo “busca la caja roja”, “acércate a la puerta” o “localiza a una persona”. En 2025 se presentó un enfoque que combina modelos de lenguaje, detección visual abierta y navegación con patas, probado en plataformas como Go2, B2 y H1-2.

03 / LLMs: del mando a la misión

Integrar LLMs no significa que el robot “piense” como una persona. La idea útil es más concreta: usar los modelos de lenguaje como la capa que traduce órdenes humanas en planes ejecutables.

En lugar de manejar el robot con comandos técnicos, bastaría con decirle:

“Recorre el pasillo central, revisa si hay obstáculos cerca de la zona de riego y vuelve a la base.”

El LLM descompondría esa orden en pasos: ir a una zona, activar una ruta, pedir comprobaciones visuales, decidir si hay una incidencia y devolver un resumen. La navegación, el equilibrio y la evitación de obstáculos seguirían en manos de sistemas robóticos especializados, pero el lenguaje haría de interfaz natural entre la persona y la máquina.

La investigación va justo por ahí. Un trabajo de 2025 propone usar LLMs para generar planes de movimiento en cuadrúpedos, traduciendo instrucciones en lenguaje natural a comandos de navegación ejecutables sobre ROS, apoyándose en LiDAR, IMU y odometría. Otro combina modelos de lenguaje, planificación de rutas y detección de objetos para robots asistentes, mostrando cómo estas capas pueden coordinar percepción, navegación e interacción natural.

Para el Go2, la combinación es especialmente atractiva: primero, autonomía básica con SLAM; después, visión para reconocer el entorno; y, por último, una capa de lenguaje para pedirle tareas sin pensar en coordenadas, nodos, mapas ni comandos.

04 / La conexión agrícola

En agricultura, el potencial no está en imaginar un robot que lo haga todo. Eso sería prometer demasiado, demasiado pronto. Lo realista está en las tareas concretas: inspeccionar, recorrer, detectar, medir, avisar y documentar.

Un cuadrúpedo cobra sentido justo donde una plataforma con ruedas sufre: pasillos irregulares, invernaderos, explotaciones con barro, zonas estrechas, granjas, instalaciones agroindustriales o cultivos en los que conviene moverse despacio y observar. En 2025 se publicó un caso de navegación autónoma de un cuadrúpedo para localizar huevos en sistemas de gallinas sin jaula, con una precisión media del 90 % al aproximarse al objetivo y un análisis económico que estimaba retornos de la inversión de entre 61 y 162 días en ciertos escenarios.

La idea extrapolable es clara: cuando una tarea es repetitiva, visual, incómoda o exige pasar muchas veces por el mismo sitio, un robot móvil empieza a tener sentido. No sustituye de golpe al agricultor ni al operario, pero puede convertirse en una herramienta de inspección autónoma: una especie de “sensor con patas” capaz de moverse, mirar, registrar y avisar.

05 / Idea fuerza

El futuro de estos robots no está solo en que caminen bien, sino en que combinen tres capacidades principales:

Cuando esas tres piezas encajan, el robot deja de ser un aparato llamativo y se convierte en una herramienta práctica. Para un Go2, el camino natural es precisamente ese: primero navegar de forma segura, después ver y clasificar lo que encuentra y, por último, dejar que una persona le pida tareas con naturalidad.

En agricultura, eso se traduce en rondas de inspección, revisión de cultivos, detección de incidencias, supervisión de instalaciones, control de accesos o apoyo en tareas repetitivas. No como ciencia ficción, sino como una evolución bastante lógica: del robot que camina, al robot que observa; del robot que obedece, al robot que entiende una misión.