Grabette, LingBot-VLA 2.0 y LeRobot 0.6 | Robótica con IA

¿Qué me llevo de estas dos semanas si lo que quiero es montar robots en mi mesa? Nada de humanoides. Lo que de verdad ha cambiado es que ahora puedes generar tus propios datos de manipulación sin tener un brazo caro, y entrenar con pesos abiertos en una GPU de gaming. Vamos al grano.

Grabette: grabar datos con tu mano, sin robot

Pollen Robotics publicó el 21 de julio Grabette, un gripper que llevas en la mano y que graba lo que haces: te pones a coger cosas y sale un dataset en formato LeRobot, listo para entrenar.

Los números que dan: unos 490 € de lista de materiales para el Grabette y unos 120 € para el Gripette, la versión que va montada en el robot. Todo Apache-2.0, y no solo el software: el CAD, los ficheros de producción, la captura y el post-proceso. Por dentro lleva Raspberry Pi, cámara Pi, una cámara de profundidad OAK-D, encoders magnéticos e IMU. Cero piezas propietarias.

¿Por qué esto importa más que cualquier titular de humanoides? Porque cierra el bucle en casa. Antes, para tener datos de manipulación necesitabas el robot y teleoperarlo. Ahora grabas con la mano, entrenas, y luego lo pasas al hardware. Es decir: el dato deja de ser el cuello de botella.

LingBot-VLA 2.0: 6.000 millones de parámetros que caben en tu 4090

Robbyant (Ant Group) liberó LingBot-VLA 2.0, un modelo visión-lenguaje-acción de 6B parámetros con backbone Qwen3-VL-4B-Instruct, entrenado con unas 60.000 horas de datos (50.000 de trayectorias de robot en 20 configuraciones distintas y 10.000 de vídeo egocéntrico humano). Espacio de acción unificado de 55 dimensiones: brazos, gripper, manos, cintura, cabeza y base móvil.

El dato que te interesa: los autores reportan unos 130 ms por inferencia con 10 pasos de denoising en una RTX 4090D. Ojo, es una cifra del propio paper, no una medición independiente, así que tómala como referencia y no como promesa. Pero la licencia sí está clara: Apache-2.0, pesos incluidos.

Traducido: un VLA generalista que puedes ajustar para tu propio brazo sin pedir permiso a nadie ni alquilar un clúster.

LeRobot 0.6.0: actualiza con cuidado

Si tienes un proyecto encima de LeRobot, lee esto antes de hacer pip install -U. La versión 0.6.0 (6 de julio) trae políticas nuevas, seis benchmarks de simulación bajo lerobot-eval, CLI lerobot-rollout, FSDP, un dataloader el doble de rápido, soporte nativo del brazo Seeed Studio reBot B601-DM y mejor soporte de SO-100/SO-101. El mismo día, NVIDIA anunció la llegada de Isaac GR00T 1.7 e Isaac Teleop a LeRobot.

Y ahora la parte que rompe cosas:

• Instalación mínima: las dependencias de entrenamiento van en el extra [training].
• PyTorch pasa a ser 2.7 o superior.
• sac se renombra a gaussian_actor.
• eval_freq pasa a env_eval_freq.
• --dataset.vcodec pasa a --dataset.rgb_encoder.vcodec.

Si tu script lleva meses funcionando, cualquiera de esas cinco te lo deja tirado. No te compliques: fija la versión, actualiza en una rama aparte y prueba.

Un cuadrúpedo real corriendo con percepción a bordo

En Science Robotics salió APT-RL, un framework que aprende representaciones de locomoción a partir de optimización de trayectorias y las usa como punto de partida para el aprendizaje por refuerzo. El cuadrúpedo HOUND del KAIST pasó escaleras, vallas, pasos de piedra, huecos y ramas caídas, con picos instantáneos de hasta 6 m/s en una maniobra de caída, usando solo cómputo y percepción a bordo (profundidad, LiDAR 2D y propiocepción).

Aquí lo importante para ti no es el robot, es el método: generaron 180.000 trayectorias de optimización en 8 minutos y las usaron como prior, en vez de entrenar RL desde cero. Ese patrón se replica a escala pequeña y barata.

Visión en una Raspberry Pi, sin acelerador

Raspberry Pi publicó el 15 de julio una guía oficial, escrita con gente de Intel y de Ultralytics, para correr modelos YOLO26 (la variante nano) en una Pi 4 o Pi 5 con el runtime OpenVINO, solo en CPU. Sin Hailo, sin Coral, sin comprar nada.

Un aviso honesto: el post enseña una gráfica comparativa pero no da cifras de FPS ni de latencia en el texto. Así que no te fíes de ningún número que veas por ahí citando ese artículo. Si lo necesitas, móntalo y mídelo tú.

Lo que NO ha pasado

Dos semanas sin un solo lanzamiento de modelo fundacional de robótica ni de Physical Intelligence ni de Google DeepMind. Lo último de PI es de abril (π0.7) y lo último de DeepMind en robótica, Gemini Robotics-ER 1.6, también de abril.

Y el titular más vistoso de la quincena viene de un sistema cerrado: Sunday Robotics dice haber doblado bien 778 de 785 prendas de forma autónoma, un 99,1 %, en casas que el modelo no había visto. Es un dato publicado por la propia empresa, sin verificación independiente, y ni el modelo ni los datos ni el hardware son abiertos. Ahí lo dejo, como contraste: el número bonito vive en lo cerrado, lo replicable en casa está en los tres primeros puntos de esta entrada.

Qué haría yo esta semana

Si estás empezando, olvídate del VLA. Monta el robot que esquiva obstáculos, entiende por qué funciona el cableado y luego sube. Si ya tienes un brazo, mira Grabette: grabar tus propios datos es lo que te va a diferenciar, no el modelo que uses. Y si tienes un proyecto sobre LeRobot, revisa esas cinco rupturas antes de que te pillen a mitad de un entrenamiento.

Sé que visto de golpe se hace un mundo. Tranquilo: elige una sola cosa de estas cinco y haz esa. El resto sigue estando aquí la semana que viene.