Los datos táctiles ayudan a los robots a manipular objetos con más precisión

Los robots pueden reconocer un objeto y planificar cómo alcanzarlo, pero eso no garantiza que lo sujeten con la fuerza adecuada. Enroscar una bombilla, insertar un conector o manipular un material deformable exige reaccionar al contacto. La información táctil permite observar presiones, deslizamientos y cambios de agarre que una cámara no siempre distingue.

El reportaje de IEEE Spectrum reúne varias líneas de investigación que buscan incorporar esa información al aprendizaje robótico. Al consultar los estudios originales aparece una cuestión común: no basta con acumular más registros; también hay que procesarlos a la velocidad necesaria y hacerlos compatibles entre sensores y robots diferentes.

Reaccionar al contacto y compartir lo aprendido

T-Rex, de Dantong Niu y colaboradores, presenta un conjunto de unas 100 horas de datos táctiles construido alrededor de movimientos elementales. Su arquitectura combina componentes que trabajan a distintas frecuencias para conservar las capacidades de un modelo de visión, lenguaje y acción y, al mismo tiempo, responder al tacto. El estudio evalúa doce tareas de manipulación delicada, incluidas operaciones con objetos deformables.

IEEE Spectrum explica que el componente táctil funciona cuatro veces más rápido que el encargado de las acciones de alto nivel. El medio sitúa el éxito medio en un 65% en las doce tareas evaluadas. Esa cifra describe el experimento citado: no es una tasa de fiabilidad aplicable a cualquier objeto o situación doméstica.

FTP-1, de Chengbo Yuan y colaboradores, aborda otro obstáculo: los sensores no producen todos el mismo tipo de señal. El trabajo reúne aproximadamente 3.000 horas de 26 fuentes de datos que abarcan 21 sensores. Utiliza codificadores distintos para convertir esas entradas en representaciones que puede procesar un componente compartido.

Los autores evalúan el ajuste posterior del modelo en cinco configuraciones de hardware y reportan transferencia a dos sensores que no habían aparecido durante el preentrenamiento. Esto aporta evidencia de reutilización entre equipos, aunque dentro de los escenarios estudiados; no demuestra compatibilidad automática con cualquier mano robótica.

Más datos y predicciones antes de actuar

NeoteAI y el equipo TEAI de Fudan presentan una infraestructura de mayor escala: NeoData supera las 30.000 horas, con 1,4 millones de episodios y seis configuraciones de captura. Su informe distingue ese conjunto completo de OpenNeoData, un subconjunto abierto de 5.000 horas. La diferencia evita confundir la cantidad total recopilada con la que se ofrece públicamente.

Su modelo N0-VTLA añade una predicción del cambio táctil que provocará la siguiente acción. También utiliza trayectorias con fallos y correcciones, además de demostraciones exitosas. En nueve tareas del banco NeoReal, sus autores informan de un éxito medio del 47,2%, frente al 29,4% de la referencia usada en esa comparación. Son resultados comunicados por el equipo desarrollador y pertenecen a ese protocolo experimental.

Estimar el tacto cuando no hay un sensor

FELT, de investigadores de USC, Columbia y Starpilot, explora una vía complementaria: generar señales táctiles a partir de imágenes. Aprende con observaciones visuales y táctiles emparejadas y después puede producir imágenes de presión o representaciones internas usando únicamente información RGB.

El estudio prueba cuatro tareas con abundante contacto y encuentra mejoras frente a las referencias que emplean solo visión. Su funcionamiento presupone información visual útil sobre la pinza, el objeto y la zona de contacto. Por eso, inferir una presión a partir de una imagen no equivale a medirla directamente: la calidad de la estimación depende de lo que la cámara permite observar y de lo aprendido durante el entrenamiento.

Estos trabajos, difundidos entre junio y julio de 2026, aportan métodos y evaluaciones concretas. Sus porcentajes no deben ordenarse como una clasificación única: cambian los robots, las tareas y los criterios de prueba. Los números tienen buena presencia, pero no todos han hecho el mismo examen. El avance compartido es una mejor integración del contacto en el control; sigue abierta la cuestión de cuánto se conserva esa mejora al cambiar de hardware, objetos o condiciones de uso.