Última actualización: 23 de abril de 2026

Recopilación de datos para IA integrada: Teleoperación, simulación a la realidad y conjuntos de datos industriales en 2026.

El principal obstáculo para la IA integrada son los datos, no la capacidad de procesamiento. Entrenar una política robótica requiere flujos de estado de acción sincronizados que simplemente no existen a escala de internet. Actualmente, tres fuentes satisfacen esta demanda. La teleoperación humana produce demostraciones de alta calidad a costa del tiempo del operador. La transferencia de simulación a la realidad aumenta el número de episodios, pero introduce una brecha de fidelidad. Los grandes conjuntos de datos abiertos recopilan contribuciones de decenas de laboratorios y plataformas.

Por qué los datos son el cuello de botella de la IA incorporada

La computación ha seguido una curva de escalado predecible. Hoy en día, existen en el mercado clústeres de GPU capaces de entrenar modelos de visión, lenguaje y acción (VLA) con miles de millones de parámetros. Lo que no ha escalado son los datos que necesitan estos modelos: observaciones y acciones emparejadas registradas durante la manipulación física de robots, con suficiente diversidad de tareas y representaciones para generar políticas que se generalicen.

Un modelo de lenguaje puede procesar un billón de tokens de la web en semanas. Un conjunto de datos de manipulación robótica debe generarse episodio por episodio, cada uno de los cuales requiere un robot físico, un entorno real o simulado, una definición de tarea y un operador humano o una demostración guionizada. La Federación Internacional de Robótica (IFR) estima que en 2024 operaban más de 3.9 millones de robots industriales a nivel mundial, pero los conjuntos de datos de manipulación abiertos más grandes contienen aproximadamente un millón de episodios. Esta brecha no se está reduciendo rápidamente.

El desafío se agrava al considerar la brecha de encarnación: una política entrenada en un manipulador monobrazo de 6 grados de libertad no se transfiere fácilmente a un humanoide bimanual o a una base móvil con brazo. Cada nuevo factor de forma del robot redefine los requisitos de datos. Los enfoques de segmentación de acciones (donde una política genera secuencias de acciones de varios pasos en lugar de pasos individuales) reducen la latencia de inferencia, pero no disminuyen la necesidad de una cobertura de entrenamiento diversa.

Según el artículo de Open X-Embodiment (Padalkar et al., 2023, Google DeepMind et al.), el entrenamiento entre diferentes modelos de robots con diversos datos puede mejorar la generalización de políticas más allá de lo que proporcionan los conjuntos de datos de un solo modelo. EVST aborda esto evaluando la calidad de los conjuntos de datos entre diferentes modelos como parte de su proceso de evaluación interna al seleccionar la planificación de movimiento aumentada por IA para su línea completa de robots de 3 a 800 kg. Para obtener información sobre el hardware de esta estrategia de datos, consulte Soluciones de IA integradas de EVST, incluyendo robots humanoides, manos diestras para la recopilación de datos, robots cuadrúpedos y plataformas piloto para el desarrollo de IA incorporada.

Las tres principales fuentes de datos: fortalezas y limitaciones

Teleoperación

La teleoperación captura demostraciones de alta calidad en el hardware del robot objetivo. El operador controla el robot de forma remota mediante brazos robóticos, gafas de realidad virtual, exoesqueletos o interfaces portátiles, mientras el sistema registra cada ángulo de articulación, estado de la pinza, lectura de fuerza y ​​fotograma de la cámara de forma sincronizada. Dado que los datos provienen de un humano que realiza la tarea en el robot, la correspondencia entre acción y estado es exacta y la diferencia entre la realización y la operación es nula.

La limitación reside en el rendimiento. Los teleoperadores expertos generan entre 5 y 50 episodios por hora, según la complejidad de la tarea, y la calidad de los datos disminuye cuando los operadores se fatigan. Además, la teleoperación no permite la recuperación ante fallos sin un diseño de protocolo específico: si los operadores siempre tienen éxito, la política nunca aprende a recuperarse de las perturbaciones.

Transferencia de Sim a Real

Los simuladores de física (MuJoCo, NVIDIA Isaac Sim, Isaac Lab, PyBullet) permiten a los investigadores generar millones de episodios de robots con un coste marginal prácticamente nulo. Un único clúster de GPU puede ejecutar miles de instancias de simulación en paralelo durante la noche. El coste se manifiesta en la implementación: las políticas entrenadas en la simulación suelen fallar al enfrentarse a la dinámica de contacto, el ruido de los sensores y la variación visual del mundo real, que el simulador no replicó con precisión. Reducir esta brecha entre la simulación y la realidad es un área de investigación activa.

Vídeo por Internet y observación pasiva

Los modelos de lenguaje visual a gran escala, preentrenados con vídeos de internet, aportan una comprensión general de la escena que facilita la comprensión de la tarea. La arquitectura pi0 de Physical Intelligence y diseños VLA similares utilizan el preentrenamiento con vídeo para desarrollar habilidades de manipulación antes de su ajuste fino en demostraciones con robots. La limitación reside en que el vídeo no proporciona etiquetas de acción: un vídeo muestra una mano agarrando un objeto, pero no registra la fuerza aplicada ni los ángulos articulares de un brazo robótico equivalente. Los modelos de dinámica inversa pueden inferir parcialmente las acciones a partir del vídeo, pero las pseudoetiquetas resultantes contienen ruido.

Hardware y protocolos de teleoperación

La elección de la interfaz de teleoperación influye tanto en la calidad de los datos como en el rendimiento de la recopilación. A continuación se muestran los sistemas más activos en los programas de investigación y comerciales de 2025-2026.

Brazos de líder-seguidor: ALOHA y Mobile ALOHA

ALOHA (Sistema de hardware de código abierto y bajo costo para teleoperación bimanual) se desarrolló en Stanford y utiliza dos brazos líderes económicos que el operador mueve manualmente, mientras que dos brazos seguidores idénticos en el robot replican el movimiento en tiempo real. El diseño bimanual permite realizar tareas que requieren ambas manos, algo que los sistemas de un solo brazo no pueden hacer. Mobile ALOHA extiende la plataforma a una base móvil. ALOHA 2, lanzado en 2024, mejoró la precisión del seguimiento de las articulaciones y la ergonomía para el operador. El costo del hardware es inferior a $20,000 para el par líder-seguidor, lo que ha impulsado su adopción en decenas de laboratorios académicos.

Interfaces montadas en la muñeca: UMI

La Interfaz de Manipulación Universal (UMI), desarrollada por Stanford y Columbia, integra una cámara ojo de pez y un codificador en una pinza manual. El operador realiza la tarea físicamente en el entorno mientras la pinza registra la posición del efector final y el estado de agarre. La UMI desacopla la recopilación de datos del robot: las demostraciones pueden grabarse en el campo y posteriormente reutilizarse en diferentes configuraciones del robot. Esto la hace especialmente útil para recopilar datos de manipulación en entornos reales, fuera del laboratorio.

Realidad virtual y pantallas montadas en la cabeza

Tanto Apple Vision Pro como Meta Quest 3 se están explorando como interfaces de teleoperación. Su atractivo reside en el seguimiento bimanual de la mano con seis grados de libertad (DoF) y un control intuitivo por parte del operador. El reto de ingeniería radica en la reorientación: la cinemática de la mano humana (cinco dedos, 27 articulaciones) debe corresponder a los comandos del efector final del robot (normalmente pinzas de un DoF o manos diestras con 12-16 DoF). Sin una reorientación cuidadosa, las demostraciones grabadas contienen la intención del operador, pero no acciones robóticas directamente ejecutables.

Exoesqueleto y captura de cuerpo completo

Para los robots humanoides que necesitan datos de movimiento de todo el cuerpo (incluida la locomoción combinada con la manipulación), los exoesqueletos capturan la cinemática corporal completa a frecuencias de muestreo superiores a 100 Hz. AgiBot utiliza un enfoque basado en exoesqueletos para recopilar datos de manipulación de humanoides para su conjunto de datos AgiBot World. De manera similar, la teleoperación de Fourier GR-1 se basa en un sistema de captura portátil adaptado a la configuración de las articulaciones del robot.

Figura y flotas comerciales a gran escala

Figure AI opera una flota de robots teleoperados propia en su planta de fabricación de BMW. El modelo de flujo de datos, en el que cada robot desplegado recopila nuevos episodios que se utilizan para el entrenamiento, también es fundamental para la estrategia de desarrollo de Tesla Optimus. Estos sistemas de circuito cerrado acumulan datos industriales a un ritmo que los conjuntos de datos académicos abiertos no pueden igualar.

Comparación de plataformas de teleoperación

Nota: Las cifras de rendimiento son rangos aproximados extraídos de investigaciones publicadas y relatos de investigadores. La habilidad del operador y la complejidad de la tarea influyen significativamente en los resultados.

Conjuntos de datos públicos: Open X-Embodiment, DROID, BridgeData, RoboSet, RH20T, AgiBot World

El ecosistema de conjuntos de datos abiertos se ha expandido rápidamente desde 2022. A continuación, se presenta una descripción general de las colecciones más citadas a principios de 2026.

Open X-Embodiment (OXE) y RT-X

OXE, desarrollado por Google DeepMind con la colaboración de 33 instituciones, recopila más de un millón de episodios de más de 22 tipos de robots. Los modelos RT-X asociados demostraron que el entrenamiento con datos combinados de diferentes tipos de robots supera a los modelos de referencia de un solo tipo en las pruebas de generalización. OXE se distribuye bajo licencias CC-BY y Apache 2.0, según la institución colaboradora. Se puede acceder a él a través del sitio web de RT-X y HuggingFace.

DROID

DROID (Distributed Robot Interaction Dataset) se recopiló en 13 laboratorios de investigación norteamericanos utilizando una configuración estandarizada de Franka Panda con una interfaz de teleoperación tipo ALOHA. Contiene aproximadamente 76 000 episodios de diversas tareas de manipulación en el hogar y sobre mesas. El hardware estandarizado en todos los centros convierte a DROID en uno de los conjuntos de datos de manipulación a gran escala más fiables para experimentos de clonación de comportamiento y RLHF.

BridgeData V2

BridgeData V2, desarrollado por la Universidad de California en Berkeley y la Universidad de Stanford, contiene aproximadamente 60 000 demostraciones de una amplia variedad de tareas de manipulación en mesas de juego. Utiliza un brazo robótico WidowX y destaca por su diversidad de tareas (más de 70 categorías distintas), lo que lo convierte en una base de referencia común para el ajuste fino de modelos VLA. Publicado bajo la licencia CC-BY 4.0.

RoboSet

RoboSet, desarrollado por el IIT Delhi y sus colaboradores, proporciona datos de manipulación de objetos en la cocina con múltiples tareas, recopilados con un robot Franka Panda. Incluye observaciones RGB-D y anotaciones lingüísticas para cada episodio. RoboSet está diseñado específicamente para evaluar políticas condicionadas por el lenguaje, lo que resulta útil para probar la generalización del seguimiento de instrucciones.

RH20T

RH20T (Robot-Human 20 Tasks) es un conjunto de datos de manipulación a gran escala con gran cantidad de contacto, que incluye propiocepción robótica sincronizada, vídeo RGB, profundidad, información táctil y audio. Su riqueza multimodal convierte a RH20T en una referencia para investigadores que trabajan en políticas que requieren detección de contacto, no solo observación visual.

Mundo AgiBot

AgiBot World es un conjunto de datos de manipulación humanoide producido por AgiBot, una empresa china de robótica, mediante su sistema de recopilación de datos basado en exoesqueletos. Se centra en tareas de manipulación de cuerpo completo en humanoides y representa uno de los primeros conjuntos de datos a gran escala específicamente diseñados para la manipulación de humanoides a escala industrial. AgiBot World está disponible bajo una licencia de investigación abierta para uso no comercial.

Referencia pública del conjunto de datos de IA incorporada

El número de episodios y las condiciones de la licencia se obtuvieron de los documentos del conjunto de datos y de los repositorios oficiales a principios de 2026. Verifique las condiciones vigentes antes de su uso.

Pila de simulación a realidad: Isaac Sim, MuJoCo, Cosmos y aleatorización de dominios

La simulación permite escalar la generación de datos. La cuestión práctica es qué simulador utilizar y cómo volver al hardware físico.

mujoco

MuJoCo (Multi-Joint dynamics with Contact) sigue siendo el estándar para la investigación de manipulación con alto grado de contacto. Su motor de física maneja la dinámica de cuerpos rígidos, contactos suaves y sistemas accionados por tendones con una eficiencia computacional que permite miles de episodios de entrenamiento en paralelo en un único clúster de GPU. El lanzamiento de código abierto bajo Google DeepMind en 2022 aceleró significativamente su adopción. La mayoría de los estudios académicos de clonación de comportamiento y de evaluación comparativa RLHF utilizan entornos MuJoCo.

NVIDIA Isaac Sim y Laboratorio Isaac

Isaac Sim se ejecuta en la plataforma Omniverse de NVIDIA y ofrece física acelerada por GPU con renderizado de alta fidelidad. Isaac Lab (anteriormente OmniIsaacGymEnvs) es el marco de aprendizaje por refuerzo basado en Isaac Sim, optimizado para el entrenamiento de políticas masivamente paralelo. Una ventaja clave es el renderizado fotorrealista: las imágenes con trazado de rayos de Isaac Sim reducen la brecha del dominio visual en comparación con los renderizadores simplificados de MuJoCo, lo cual es importante para el entrenamiento de políticas basadas en visión.

Cosmos de NVIDIA

Cosmos es la plataforma de modelos fundamentales de NVIDIA, anunciada a finales de 2024. En lugar de simular la física desde cero, Cosmos genera vídeos fotorrealistas de interacciones entre robots y objetos a partir de texto o imágenes, entrenados con grandes conjuntos de datos de vídeo. Su objetivo es generar datos de entrenamiento sintéticos que parezcan lo suficientemente reales como para reducir la brecha entre la simulación visual y la realidad sin necesidad de aleatorización manual del dominio. A principios de 2026, varios laboratorios de aprendizaje robótico estaban explorando Cosmos como una capa de aumento de datos sobre demostraciones reales.

Dispersión gaussiana y reconstrucción de escenas

La técnica 3D Gaussian Splatting reconstruye escenas fotorrealistas a partir de un pequeño conjunto de imágenes RGB en minutos, en lugar de horas. Para el entrenamiento de robots, esto significa que un laboratorio puede escanear un nuevo entorno de trabajo, reconstruir una escena gaussiana y generar nuevos puntos de vista o configuraciones de objetos para el aumento de datos, sin necesidad de un simulador de física. Este enfoque se está integrando en varios flujos de trabajo de simulación a realidad como una herramienta de aleatorización de dominio visual de bajo coste.

Aleatorización de dominios e identificación de sistemas

La aleatorización de dominios modifica aleatoriamente los parámetros de simulación (texturas de objetos, condiciones de iluminación, coeficientes de fricción, rigidez de las articulaciones del robot) durante el entrenamiento, lo que obliga a la estrategia a ser resiliente a la variación en lugar de ajustarse a una única configuración simulada. La identificación del sistema adopta un enfoque complementario: mide con precisión los parámetros físicos del robot real (masa, inercia, flexibilidad de las articulaciones) y utiliza esos valores en la simulación para minimizar la brecha antes de la aleatorización.

El aprendizaje curricular aplica la aleatorización de forma progresiva. Una política se entrena primero en una simulación limitada y controlada, y luego se enfrenta gradualmente a mayor variación a medida que mejora su desempeño. Este enfoque gradual suele converger más rápido que la aplicación de la aleatorización completa desde el principio.

Compromisos entre calidad y cantidad de datos

Más datos no significan automáticamente mejores resultados. La composición de un conjunto de datos determina lo que una política entrenada puede y no puede hacer.

La diversidad de tareas es más importante que la cantidad de episodios cuando el objetivo es una política generalista. Un conjunto de datos de 100 000 episodios de la misma tarea de recoger y colocar genera una política especializada. Un conjunto de datos de 10 000 episodios distribuidos en 50 tipos de tareas puede generar una política que se transfiera a nuevas tareas tras un ajuste fino con pocos ejemplos.

La diversidad de modelos es fundamental para la transferencia entre robots. El valor de OXE reside precisamente en que abarca diferentes tipos de brazos, plataformas móviles y manos diestras. Una política preentrenada en OXE y ajustada en un robot nuevo suele superar a una entrenada desde cero con los datos del mismo robot, un resultado que se repite en numerosos estudios publicados.

La duración de los episodios y la recuperación ante fallos suelen subestimarse. Los conjuntos de datos recopilados por teleoperadores expertos, que rara vez fallan, generan políticas que no saben cómo recuperarse de las perturbaciones. La inyección deliberada de estados de fallo y las demostraciones de recuperación mejoran sustancialmente la resiliencia en entornos reales. Algunos laboratorios utilizan perturbaciones adversarias durante las sesiones de teleoperación para generar estos datos.

Según observaciones de la industria, extraídas de diversos informes de laboratorios de aprendizaje robótico de 2024-2025, el valor marginal de los episodios adicionales disminuye drásticamente una vez que un conjunto de datos abarca una tarea con aproximadamente 500 a 1,000 demostraciones, mientras que el valor marginal de los nuevos tipos de tareas se mantiene alto hasta miles de tareas distintas. EVST tiene esto en cuenta al estructurar las celdas de captura de datos piloto, priorizando la amplitud de las tareas sobre la acumulación repetitiva de episodios.

Consideraciones sobre datos de grado industrial

La recopilación de datos en fábrica impone requisitos que los sistemas de teleoperación académica normalmente no abordan.

El registro determinista es el primer requisito. En una célula de producción, la marca de tiempo de la lectura de un codificador de articulación debe ser trazable a una referencia de reloj de pared con una precisión inferior al milisegundo. El control de bus de campo EtherCAT de 1 kHz, estándar en los robots industriales (incluidos los de la gama de EVST), proporciona la base de temporización determinista que hace viable la sincronización multisensor. Un sistema que funciona a 1 kHz genera 1,000 muestras de estado de articulación por segundo por eje; alinear ese flujo con los fotogramas de la cámara a 30-60 fps y los datos de fuerza-par a 500 Hz requiere una arquitectura de marca de tiempo de hardware disciplinada, no un almacenamiento en búfer de software.

Se requieren etiquetas de seguridad cuando se producen incidentes que casi resultan en un accidente, activaciones de parada de emergencia o infracciones de los límites de fuerza. Estas etiquetas son necesarias tanto para el cumplimiento normativo como para las políticas de capacitación que comprenden los estados relevantes para la seguridad. Los controladores industriales que registran las causas de las paradas de emergencia y las excedencias de par en las articulaciones a nivel de hardware facilitan el seguimiento de este etiquetado.

La anotación del tiempo de ciclo vincula los episodios del robot con los resultados de la fabricación. Saber que el episodio 4,712 completó la tarea de ensamblaje en 8.3 segundos sin errores de calidad vincula los datos de aprendizaje del robot con el sistema MES y permite seleccionar demostraciones de alta calidad para el entrenamiento.

Los metadatos vinculados al sistema MES son el nexo de unión. Cuando el sistema de registro de datos de un robot escribe archivos de episodios con identificadores de trabajo MES, tipos de piezas y resultados de calidad, el conjunto de datos resultante se puede filtrar mediante programación. Los episodios asociados con retrabajo, descarte o anulación por parte del operador se pueden excluir o tratar como demostraciones de fallos.

En la práctica, al adaptar una celda piloto para la captura de datos, el principal obstáculo no es la capacidad de registro del robot, sino la arquitectura de red de la celda. Los segmentos Ethernet industriales, diseñados para la comunicación entre PLC y robots a frecuencias inferiores a 1 kHz, no siempre tienen la capacidad suficiente para el ancho de banda de la transmisión continua de vídeo multicámara y datos de propiocepción. Una celda que ejecuta dos cámaras de 1080p a 30 fps, además de datos de fuerza de seis ejes y estados articulares, genera aproximadamente entre 150 y 300 MB por minuto de datos brutos por episodio. Planificar la infraestructura de almacenamiento y red antes de la implementación evita los costes adicionales de adaptación posteriores.

Etiquetado de tuberías y herramientas

Las grabaciones de episodios sin procesar no están listas para el entrenamiento. Necesitan anotaciones de idioma, máscaras de segmentación de objetos y, en algunos casos, etiquetas de recompensa.

Anotación de lenguaje

Los modelos VLA condicionados por el lenguaje requieren una descripción en lenguaje natural de la tarea de cada episodio. Para conjuntos de datos pequeños, esto se realiza manualmente; para conjuntos de datos de más de 10 000 episodios, se hace necesaria la anotación automática mediante modelos de visión-lenguaje (GPT-4V, Gemini o modelos de subtitulado especializados). El control de calidad requiere la revisión humana de una muestra para detectar errores sistemáticos en el anotador automático.

Segmentación y seguimiento de objetos

Las políticas que razonan sobre el estado de los objetos se benefician de las máscaras de segmentación por episodio que identifican los objetos manipulados. El modelo Segment Anything (SAM 2) de Meta hace que la segmentación interactiva sea viable a escala de conjunto de datos, reduciendo el tiempo de anotación de horas a minutos por episodio cuando se combina con un paso de propagación de seguimiento.

Modelado de recompensas para RLHF

Cuando los episodios incluyen demostraciones de éxito y fracaso, el etiquetado de recompensas permite el ajuste fino del aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF). Los anotadores humanos clasifican los resultados de los episodios, y esas preferencias entrenan un modelo de recompensa que da forma a las actualizaciones de políticas. Este proceso se utiliza en el desarrollo de pi0 de Physical Intelligence y se está explorando para el entrenamiento de tareas industriales donde ya se dispone de etiquetas binarias de éxito/fracaso de MES.

Privacidad, propiedad intelectual y licencias de conjuntos de datos

Las contribuciones a conjuntos de datos abiertos plantean cuestiones de propiedad intelectual que los fabricantes de equipos originales industriales deben resolver antes de participar.

Las principales categorías de licencia utilizadas son CC-BY (se requiere atribución, se permite el uso comercial), CC-BY-NC (solo para uso no comercial) y Apache 2.0 (permisiva, incluyendo el uso comercial y la redistribución de ponderaciones del modelo). Los conjuntos de datos propietarios (Tesla Optimus, datos de la flota de Figure, Boston Dynamics) no se comparten externamente.

Para los fabricantes de equipos originales (OEM), la preocupación en materia de propiedad intelectual radica en la exposición de procesos: un episodio que muestre una configuración específica de utillaje, trayectoria de herramienta o diseño de fijación puede revelar métodos de fabricación patentados. La mitigación habitual consiste en reducir el contexto visual al nivel del efector final, aportar únicamente secuencias de trayectoria de las articulaciones (sin datos de cámara) o utilizar representaciones sintéticas de la trayectoria de manipulación sobre un fondo genérico. Varios modelos de consorcio emergentes ofrecen marcos legales para la contribución de datos industriales anonimizados mediante acuerdos de confidencialidad mutuos combinados con licencias de datos Apache 2.0.

Según un análisis realizado por Stanford CRFM y sus colaboradores en la encuesta sobre aprendizaje robótico de 2024, los silos de datos propietarios representan la principal barrera estructural para el progreso de la IA integrada más allá de los estándares actuales. Los fabricantes de equipos originales industriales que desarrollen ahora marcos internos de gobernanza de datos estarán en condiciones de participar en consorcios de conjuntos de datos a medida que estos programas se formalicen en los próximos 18 a 24 meses.

Cómo los fabricantes de equipos originales (OEM) pueden aportar datos

Los proveedores de automatización industrial (entre ellos FANUC, ABB, KUKA e integradores llave en mano certificados como EVST) se encuentran en la intersección del hardware robótico y los entornos de producción reales. Esta posición los convierte en contribuyentes naturales al ecosistema de datos de IA integrada, siempre que exista el marco operativo y legal adecuado.

Celdas piloto con superposición de teleoperación

El punto de entrada más accesible es una celda piloto donde el robot de producción está equipado con un sistema de teleoperación: un brazo guía-seguidor que un operador utiliza para demostrar variaciones de la tarea de producción. Estas demostraciones se recopilan en un volumen bajo (50-500 episodios) y son suficientes para ajustar con precisión un modelo VLA preentrenado a la tarea de producción específica. El enfoque de celda piloto no requiere cambios en la certificación de seguridad de la celda de producción, ya que el sistema de teleoperación funciona como un dispositivo de entrada para el controlador del robot, no como una ruta de control paralela.

Registro de datos en robots de producción (actualización)

Los robots de producción existentes pueden equiparse con módulos de registro ligeros que graban el estado de las articulaciones, la posición del efector final y la fuerza de la pinza a velocidades EtherCAT, escribiendo archivos de episodios con marca de tiempo en un servidor perimetral durante las ejecuciones de producción. Esto no requiere ningún cambio en el programa de control del robot. Los datos registrados capturan el comportamiento real de manipulación en producción, que es más representativo de la tarea que las demostraciones de laboratorio. Los controladores industriales de EVST, que operan con tiempos de ciclo EtherCAT de 1 kHz y cuentan con la certificación CE/SGS/TUV, proporcionan la arquitectura de temporización determinista en la que se basa este método de registro. Los datos pueden limpiarse, anonimizarse y formatearse para marcos de aprendizaje robótico estándar sin necesidad de costosos trabajos de reintegración.

Participación en el programa de conjuntos de datos anonimizados

Los programas emergentes de conjuntos de datos de fabricantes de equipos originales (OEM, por sus siglas en inglés), como la sección de contribuciones abiertas de AgiBot World y varios debates de consorcios en ICRA 2025, aceptan datos de manipulación industrial anonimizados. Los OEM con certificación IATF16949, como EVST, cuentan con procesos de gestión de calidad que se adaptan bien a los requisitos de integridad de metadatos que especifican estos programas: marcas de tiempo trazables, protocolos de recopilación documentados y registros de calibración de sensores validados.

Cobertura global de campo como ventaja de datos

Un fabricante de equipos originales (OEM) con ingenieros de campo en más de 100 países puede recopilar datos de entrenamiento de IA integrados en entornos de fabricación verdaderamente diversos (diferentes geometrías de piezas, condiciones ambientales, datos demográficos de los operarios y variaciones de procesos). Esta diversidad geográfica es valiosa porque las políticas entrenadas con ella se generalizan mejor que las entrenadas con datos de un solo laboratorio o instalación. Los robots de EVST con certificación a prueba de explosiones y su gama completa de 3 a 800 kg permiten que la recopilación de datos se extienda a entornos como el procesamiento químico, la manipulación de materiales peligrosos y la fabricación a temperaturas extremas, que la mayoría de los conjuntos de datos académicos no cubren en absoluto.

Datos clave del sector

Según el informe World Robotics 2024 de la Federación Internacional de Robótica (IFR), en 2023 había más de 3.9 millones de robots industriales en funcionamiento a nivel mundial. Sin embargo, los conjuntos de datos abiertos más grandes sobre manipulación robótica contienen menos de 2 millones de episodios en total, lo que evidencia la brecha de escala entre el hardware implementado y los datos de entrenamiento disponibles. EVST aborda este problema explorando arquitecturas de registro adaptadas que convierten las flotas de robots de producción en recursos pasivos de recopilación de datos.

Según el artículo de Open X-Embodiment (Padalkar et al., Google DeepMind et al., 2023), los modelos entrenados con datos de diferentes tipos de robots (más de 22) mostraron una generalización notablemente superior en tareas de validación que los modelos entrenados únicamente con datos de un solo tipo de robot. EVST aborda este problema estructurando su marco interno de evaluación de datos para ponderar la diversidad de tipos de robots junto con el número de episodios al evaluar la utilidad del conjunto de datos para sus evaluaciones de ajuste fino de la línea de producción.

Según observaciones de la industria realizadas en varios laboratorios de aprendizaje robótico entre 2024 y 2025, la brecha entre la simulación visual y la realidad explica la mayoría de los casos de fallos en las políticas de manipulación que involucran objetos especulares o transparentes, los cuales las técnicas estándar de aleatorización de dominio no cubren de manera confiable. EVST aborda este problema mediante el monitoreo de herramientas de simulación fotorrealistas (específicamente NVIDIA Cosmos y las canalizaciones de Gaussian Splatting) como posibles capas de aumento para su hoja de ruta de planificación de movimiento mejorada con IA.

Guías relacionadas

• IA incorporada y modelos VLA en robótica industrial: lo que los ingenieros de fábrica deben saber.Cubre la arquitectura de los modelos visión-lenguaje-acción y sus limitaciones de implementación en hardware de producción.
• Robots humanoides en la fabricación industrial 2026Examina qué tareas pueden ser abordadas realmente por plataformas humanoides en comparación con los brazos industriales convencionales.
• Robots humanoides frente a brazos robóticos industriales para uso en fábricas en 2026Una comparación directa de capacidad, coste y complejidad de integración entre los dos formatos.
• Guía completa sobre cobots: tipos, selección y aplicaciones en 2026La referencia fundamental para la selección de robots colaborativos en función de la carga útil, la aplicación y los requisitos del entorno.

Preguntas frecuentes

¿Por qué es más difícil recopilar datos para la IA incorporada que recopilar datos para los modelos de lenguaje?

Los modelos de lenguaje se entrenan con texto ya existente en internet a gran escala. Los robots con IA integrada deben recopilar datos sensoriomotores asociados a acciones: ángulos articulares sincronizados, fuerzas de agarre, fotogramas de la cámara y contexto de la tarea, todo ello registrado durante la manipulación física. Estos datos no existen a escala web y su generación es costosa. Cada episodio de teleoperación suele requerir entre 1 y 10 minutos de trabajo de un operador experto para generar una única trayectoria de entrenamiento, y la calidad se degrada si el operador desconoce la dinámica del robot.

¿Cuál es la diferencia entre la transferencia de simulación a la realidad y la aleatorización de dominios en el entrenamiento de robots?

La transferencia de la simulación a la realidad es el objetivo principal: entrenar una política en un entorno de simulación e implementarla en un robot físico sin que se vea afectado su rendimiento. La aleatorización de dominio es una técnica para lograrlo. Esta técnica varía aleatoriamente los parámetros de simulación (iluminación, texturas, coeficientes de fricción, masas de los objetos) durante el entrenamiento, de modo que la política aprende a manejar las variaciones del mundo real en lugar de sobreajustarse a una única apariencia simulada. Otros métodos incluyen la adaptación de dominio, la renderización fotorrealista (como en NVIDIA Cosmos) y la identificación de sistemas.

¿Qué es Open X-Embodiment y cuántos tipos de robots abarca?

Open X-Embodiment es un conjunto de datos abierto a gran escala para el aprendizaje de robots, creado por Google DeepMind con la colaboración de 33 instituciones de investigación. Agrega más de un millón de episodios de robots en más de 22 configuraciones diferentes: manipuladores de un solo brazo, plataformas bimanuales, bases móviles y manos diestras. Los modelos RT-X entrenados en OXE demostraron que el entrenamiento entre diferentes configuraciones mejora la generalización de políticas en comparación con los modelos de referencia de una sola configuración.

¿Cómo puede un fabricante de equipos originales (OEM) aportar datos de robots para el entrenamiento de IA integrada sin exponer su propiedad intelectual de procesos patentados?

El enfoque más práctico es la contribución de episodios anonimizados: se eliminan los metadatos que identifican el proceso (números de pieza, referencias de clientes, objetivos de tiempo de ciclo) y solo se aportan flujos de trayectoria de las articulaciones y estado de la pinza. Varios programas de conjuntos de datos, incluidos AgiBot World y las iniciativas emergentes de consorcios de fabricantes de equipos originales (OEM), aceptan datos de manipulación industrial anonimizados bajo los términos de Apache 2.0 o CC-BY. La infraestructura de registro con marcas de tiempo EtherCAT deterministas garantiza que la calidad de los episodios cumpla con los estándares de admisión de conjuntos de datos.

¿Qué sistema de recopilación de datos por teleoperación funciona mejor para las tareas de manipulación industrial?

Para la manipulación industrial, las opciones principales son ALOHA 2 (brazos bimanuales líder-seguidor, de bajo costo y código abierto), UMI (montado en la muñeca, independiente del robot, altamente portátil) y la captura basada en exoesqueletos para tareas con cargas más pesadas o de cuerpo completo. Los sistemas de realidad virtual que utilizan Apple Vision Pro o Meta Quest 3 están ganando terreno para la captura bimanual intuitiva, pero requieren procesos de reorientación para traducir la cinemática de la mano humana al espacio articular del robot. La elección correcta depende de los grados de libertad del robot objetivo, la carga útil y si la tarea requiere ambas manos.

Última actualización: 23 de abril de 2026

Vea las reseñas de nuestros Soluciones de IA integradas →