Este artículo presenta un novedoso método de aprendizaje automático para mejorar la precisión de la localización de fuentes de olor (OSL), una función fundamental para los sistemas autónomos que operan en entornos complejos. Los métodos OSL existentes presentan problemas de ambigüedad, ya que los robots atribuyen olores incorrectamente a objetos erróneos debido a limitaciones en los conjuntos de datos olfativos y la resolución de los sensores. Para solucionar esto, proponemos un novedoso método de aprendizaje automático que utiliza la generación de moléculas basada en la difusión. Este método amplía el campo químico más allá de las limitaciones de los conjuntos de datos olfativos y los métodos de entrenamiento existentes, lo que permite la identificación de posibles moléculas de olor no documentadas previamente. Las moléculas generadas pueden validarse con mayor precisión utilizando sensores olfativos avanzados, lo que permite detectar más compuestos e informar sobre un mejor diseño de hardware. Al integrar el análisis visual, el procesamiento del lenguaje y la generación de moléculas, el modelo de visión olfativa de un robot mejora la capacidad de asociar olores con sus fuentes correctas, lo que permite una mejor navegación y toma de decisiones mediante una mejor selección de sensores en aplicaciones críticas como la detección de explosivos, el análisis de drogas y la búsqueda y rescate. Proporciona una solución escalable a los desafíos de la escasez de datos olfativos y la ambigüedad de los sensores, lo que representa un avance fundamental en el campo del olfato artificial. El código y los datos están disponibles públicamente.
