# Robots aprenden en el terreno sin olvidar habilidades previas > Investigadores desarrollan una arquitectura robótica que guarda experiencias exitosas en campo para adaptarse al entorno sin reentrenar el modelo principal ni perder destrezas. Por Anaís Portillo Bermúdez · 27 de septiembre de 2026 · Tecnología ![Robots aprenden en el terreno sin olvidar habilidades previas](https://panorama.onl/app/uploads/89bca068125e9cd8.webp) Claves - La arquitectura CFAM separa las capacidades estables de una memoria local que registra experiencias exitosas. - El éxito de las acciones aumentó de 74,0% a 87,9% en las pruebas reportadas por los autores. - El sistema reduce el olvido de habilidades anteriores en comparación con otros métodos de adaptación. Especialistas de Skylark Labs, junto a colaboradores de Carnegie Mellon University y University of California, Berkeley, propusieron una nueva arquitectura para la inteligencia artificial en la robótica. El sistema, denominado Continual Field-Adaptive Models o CFAMs, permite a las máquinas guardar experiencias útiles de manera local durante su operación en el terreno, con el fin de ajustarse a variaciones del entorno sin necesidad de reentrenar por completo el modelo principal de aprendizaje. La investigación apunta a resolver uno de los retos principales del despliegue robótico fuera de laboratorios controlados, donde las condiciones de las superficies, la posición de los objetos o el peso de la carga cambian constantemente. Al mismo tiempo, el método busca evitar el denominado olvido catastrófico, un fenómeno en el cual los sistemas aprenden información nueva pero pierden parte de las destrezas que ya dominaban. ## Cómo opera la memoria local en los robots La arquitectura organiza las capacidades estables en tres componentes denominados corteza Sensorial, corteza de Razonamiento y corteza de Acción, las cuales se mantienen congeladas tras un entrenamiento previo. Para registrar las vivencias operativas, el sistema incorpora un módulo independiente llamado Capsule Field, cuyos espacios de memoria almacenan casos de desempeño exitoso para recuperarlos ante situaciones similares. 87,9% Éxito operativo alcanzado por los robots tras registrar experiencias locales Asimismo, la propuesta incluye una Transformación Residual Geométrica para redirigir movimientos previamente aprendidos hacia nuevas orientaciones espaciales sin requerir un aprendizaje desde cero. Los creadores probaron el desarrollo en cinco plataformas físicas distintas, que abarcan manipuladores, robots cuadrúpedos, humanoides, cuadricópteros y vehículos todoterreno. ## Resultados experimentales y aplicaciones En las pruebas documentadas mediante simulaciones secuenciales, el método registró una transferencia hacia atrás de -0,5 puntos porcentuales, un indicador favorable frente al retroceso de -11,4 puntos reportado con otros procedimientos de adaptación como LoRA. Durante los ensayos operativos con variaciones cercanas al entrenamiento inicial, el porcentaje de efectividad en las acciones subió desde el 74,0% hasta el 87,9%. > 🤖⚙️ Robots que aprenden en campo sin olvidar sus habilidadesCFAM, de Skylark Labs y colaboradores de CMU y Berkeley, elevó el éxito reportado de 74% a 87,9%.En pruebas, redujo el olvido frente a LoRA.Adapta habilidades conocidas, pero no crea destrezas totalmente nuevas. pic.twitter.com/mi1wXET6iw— Diario฿itcoin (@DiarioBitcoin) September 27, 2026 Los investigadores señalan que este tipo de aprendizaje autónomo local resulta especialmente útil en escenarios complejos donde la conectividad con centros de datos o con la nube es limitada o inexistente, tales como la inspección en túneles mineros, estructuras afectadas por sismos, instalaciones con presencia de radiación o misiones de exploración planetaria y en el océano profundo. --- **Fuente:** https://panorama.onl/tecnologia/robots-aprenden-en-el-terreno-sin-olvidar-habilidades-previas-20260927-0337.html Publicado por Panorama Online — contenido de libre lectura; se permite citar con atribución y enlace a la URL original.