Aprendizaje, destreza y un pulgar robótico | Robótica con IA
Tres preprints nuevos aportan pruebas físicas sobre aprendizaje desde vídeo, seguridad en una mano robótica y un pulgar adicional de código abierto.
- robot learning
- dexterous manipulation
- robotic hand
- wearable robotics
- open source robotics
- AI
- news
¿Qué ha cambiado de verdad en las últimas 24 horas? Han aparecido tres preprints con pruebas físicas que vale la pena mirar: un método que aprende de vídeo humano y de robots, una mano que mide mejor sus fallos al manipular y un pulgar robótico adicional con diseño abierto. Son resultados comunicados por sus autores. No son productos ni validación independiente.
ThinkWorld usa vídeo humano para ayudar a aprender acciones de robot
ThinkWorld, publicado el 27 de octubre, intenta aprovechar vídeo humano que no trae las acciones del robot anotadas. El método representa el movimiento como una secuencia de tokens, predice el estado futuro y refuerza las secuencias cuya predicción coincide con lo que ocurrió.
En su página de proyecto, los autores informan de un 93,3 % de éxito en 120 pruebas físicas y de 4.276 horas de vídeo para entrenamiento. También aclaran que la parte de razonamiento se usa al entrenar, no durante la ejecución. Es una distinción importante: no demuestra que cualquier cámara doméstica vaya a enseñar una tarea a cualquier brazo.
La idea útil para un montaje pequeño es más sencilla. Si grabas demostraciones, no guardes solo el gesto final. Conserva también lo que cambió antes y después de cada acción. Esa secuencia ayuda a comprobar si una política aprendió la relación entre mover, tocar y obtener un resultado.
DexSafe mide la destreza junto con las caídas
El preprint DexSafe trabaja con una mano LEAP entrenada en simulación para colocar objetos dentro de la propia mano. Añade un filtro de seguridad que puede ser más o menos conservador cuando detecta que el objeto puede caer.
Los autores evalúan 4.800 objetivos no vistos durante 13,3 horas con cuatro objetos y varias orientaciones de muñeca. En su proyecto reportan un 95,2 % de objetivos alcanzados con la política basada en estado y una reducción del 75 % en caídas al activar el filtro. El código figura como pendiente de publicación, así que hoy no es una receta que puedas descargar y repetir.
Aquí hay una lección práctica. No midas una pinza solo por si completa la tarea. Apunta cuántas veces suelta la pieza, cuánto tarda en detectar el problema y qué éxito pierde cuando activas un límite de seguridad. Esos datos dicen más que un vídeo donde todo sale bien.
EgoThumb publica un pulgar adicional orientado a tareas reales
EgoThumb, aceptado en IROS 2026 y publicado el 27 de octubre, presenta un pulgar robótico que se fija a la mano. Lleva los actuadores al antebrazo y usa una cámara orientada a la palma para accionar dos tendones según lo que ve.
La página del proyecto enlaza el hardware y el repositorio de software. Los autores reportan cuatro tareas, entre ellas abrir una tapa y remover una bebida, con un 90 % de éxito medio en la mano de la persona que lo demostró. En dos usuarios nuevos, informan entre un 87,5 % y un 92,5 %. Las pruebas siguen siendo limitadas y proceden de los propios autores, pero aquí sí hay material abierto que permite revisar cómo está planteado el dispositivo.
Para quien monta robots, el valor no está en copiar un pulgar completo mañana. Está en ver un diseño que mueve peso y motores lejos de la mano, deja la parte ligera cerca de los dedos y separa la percepción de la acción. Tranquilo, puedes empezar por algo mucho más pequeño: una pinza, una cámara fija y una tarea que puedas repetir cincuenta veces.
Cada afirmación de arriba sale de aquí. Si algo no tiene fuente, no está.