🤖 Hardware: cobots, humanoides y plataformas
Desde los brazos colaborativos que dominan los datasets de investigación hasta los humanoides de vanguardia — y las plataformas accesibles que permiten practicar VLA de verdad. El hardware que eliges determina el espacio de acción, los sensores disponibles y el cómputo necesario.
Diagrama ilustrativo — cobots, humanoides, plataformas y sensores alimentan una política VLA.
🦾 Cobots industriales: Franka, UR, KUKA
Cobots (robots colaborativos) son brazos robóticos diseñados para operar de forma segura junto a humanos, sin jaulas de protección. Franka Emika (7 DoF, sensible al torque), Universal Robots (UR3/UR5/UR10) y KUKA LBR iiwa dominan los laboratorios de investigación de VLA y son la base de la mayoría de los grandes datasets.
🔑 Por qué los cobots dominan la investigación de VLA
- Franka7 DoF con torque sensing en cada articulación. Evita singularidades y permite el control de fuerza. Domina el dataset DROID con más de 76 mil episodios.
- URUniversal Robots UR3/5/10 — simples, baratos y ampliamente utilizados en automatización industrial ligera y en configuraciones de recopilación de datos.
- KUKALBR iiwa con 7 ejes y sensibilidad a la fuerza y el momento en todos los ejes. Referencia en investigación sobre control de impedancia.
✓ Ventajas de los cobots en VLA
- ✓La API abierta (ROS, libfranka) facilita la integración con modelos
- ✓Los sensores de torque permiten la detección de contacto y un control preciso
- ✓Datasets enormes con demostraciones listas para fine-tuning
✗ Limitaciones que debes conocer
- ✗Sin locomoción — fijos sobre una base, no se mueven por el entorno
- ✗Espacio de trabajo limitado al alcance del brazo (~800 mm de radio)
- ✗Costo entre $10k–$50k — inaccesible sin apoyo institucional
Conceptos clave
Definen la movilidad. 6 DoF para alcanzar cualquier pose; 7 DoF agregan redundancia y evitan singularidades.
Un sensor en cada articulación mide la fuerza ejercida — esencial para el control de impedancia y la seguridad colaborativa.
Interfaces de bajo nivel que conectan el modelo de IA con el controlador en tiempo real del brazo.
🧍 Humanoides: Figure, Unitree, Optimus, 1X
Robots humanoides bípedos diseñados para operar en entornos construidos para las personas. Figure 02, Unitree G1/H1, Tesla Optimus y los robots de la 1X combinan locomoción bípeda, manipulación dexterous y, cada vez más, control mediante VLAs. Son la frontera más ambiciosa y visible de la robótica moderna.
tree
Unitree G1/H1 — democratizando los humanoides
El G1 cuesta ~$16k y reduce la barrera de entrada para los laboratorios de investigación. Con 23 DoF y locomoción bípeda estable, hoy es el humanoide más accesible para quienes quieren experimentar con el control mediante VLA.
Figure 02 — brazos en fábricas de BMW
Ya opera en un entorno industrial real. Usa VLA para interpretar instrucciones y manipular piezas. Colabora con OpenAI en el módulo de lenguaje. Referencia de despliegue de VLA en producción.
Tesla Optimus: la escala como palanca
Tesla planea la producción en masa y usa el mismo pipeline de recopilación de datos de sus autos autónomos para entrenar a Optimus. La apuesta central es escalar los datos de demostración.
1X NEO — enfoque en la fluidez de cuerpo completo
1X apostó por robots de forma más orgánica (ruedas + brazos) antes de pasar al bípedo. NEO integra VLA de punta a punta, con énfasis en movimientos fluidos y seguros cerca de las personas.
💡 Calibrando expectativas
Los humanoides hacen videos impresionantes, pero el whole-body control — coordinar locomoción y manipulación al mismo tiempo — sigue siendo muy difícil. La mayoría de los VLA actuales controla brazos estacionarios. La locomoción bípeda en robots reales suele delegarse a controladores separados.
✋ Pinzas y efectores finales
O end-effector es la interfaz final del robot con el mundo físico: su «mano». Va desde grippers paralelos simples (dos pinzas) hasta manos dexterous antropomórficas con decenas de DoF. La elección del end-effector define directamente qué debe controlar el VLA en la salida y qué tareas son físicamente viables.
✓ Pinza paralela — simple y confiable
- ✓1 DoF (abrir/cerrar) — espacio de acción mínimo en el VLA
- ✓Robusto, barato, fácil de calibrar y reemplazar
- ✓Suficiente para pick-and-place, la tarea más común en los datasets
✗ Limitaciones del gripper simple
- ✗No puede manipular objetos deformables (telas, cables)
- ✗Sin control de la orientación de los dedos — pose de grasping limitada
- ✗Las tareas de destreza (tornillos, teclados) exigen manos complejas
📊 Espectro de efectores finales según su complejidad
Robotiq 2F-85. Estándar en Franka y UR. Espacio de acción: 1 número entre 0 y 1.
Robotiq 3-Finger, Allegro Hand. Permite orientar objetos. El control es mucho más difícil.
Shadow Hand. Mano humana artificial. Complejidad altísima: investigación de vanguardia.
💡 El end-effector define el action space
La salida del VLA es un vector de acciones. Un gripper paralelo agrega 1 dimensión; una mano dexterous agrega 20+. Cuantos más DoF tenga el end-effector, más difícil el problema de aprendizaje. Para empezar, usa un gripper simple y resuelve tareas complejas con una política inteligente.
👁️ Sensores: RGB-D, fuerza/torque, táctil
Los sentidos del robot forman la entrada perceptual del VLA. Las cámaras RGB-D proporcionan color y profundidad; los sensores de fuerza/torque en la muñeca miden la interacción con objetos; los sensores táctiles capturan la textura y el contacto en la punta de los dedos. La combinación de estas modalidades —y lo que dejas fuera— impacta directamente en lo que la política puede aprender.
Diagrama ilustrativo — la mayoría de los VLA actuales solo usan RGB; la fuerza y el tacto son fronteras de investigación.
Conceptos clave por modalidad
El canal de profundidad (D) añade una estimación de pose 3D sin estructura física adicional. Intel RealSense D435 es el estándar en manipulación. Limitación: oclusión y superficies reflectantes.
Un sensor en la muñeca mide las fuerzas y los momentos aplicados. Permite el control de impedancia (ceder ante la fuerza) y la detección de contacto — fundamental para insertar piezas y manipular objetos delicados.
GelSight y DIGIT capturan imágenes del contacto en la punta de los dedos, que revelan la textura y el deslizamiento. Aún están poco integrados en los VLA más difundidos, pero son un área activa de investigación multimodal.
🔓 Plataformas accesibles: SO-100, Koch, ALOHA
Brazos robóticos de bajo costo y código abierto creados para democratizar el aprendizaje de VLA. El SO-100/SO-101 (proyecto LeRobot de Hugging Face) cuesta unos cientos de dólares; Koch y ALOHA usan configuraciones líder-seguidor para la teleoperación accesible y la recopilación de datos. Son el camino realista para practicar VLA con hardware físico.
🔑 El stack SO-100 + LeRobot
- SO-100Brazo de 6 DoF impreso en 3D con servomotores accesibles. Costo total <$500. El gemelo líder permite una teleoperación intuitiva para recopilar demostraciones.
- LeRobotBiblioteca de Hugging Face que integra hardware, conjuntos de datos y políticas entrenables (ACT, Diffusion Policy, SmolVLA) en un solo pipeline. Es viable lanzar una política entrenada en 1 día.
- ALOHAConfiguración bimanual de bajo costo (dos brazos) desarrollada en Stanford. Usada para entrenar ACT y Mobile ALOHA. Referencia en manipulación dexterous con presupuesto reducido.
✓ Por qué empezar aquí
- ✓Hardware físico real: aprende problemas que la simulación oculta
- ✓Recopilación propia de datos — datasets personalizados para tu tarea
- ✓Comunidad activa en el Discord de LeRobot, con soporte y ejemplos
✗ Qué esperar (realismo)
- ✗Precisión mecánica inferior a la de los cobots industriales; requiere calibración frecuente
- ✗Carga útil baja (<500 g): solo para objetos livianos de mesa
- ✗Sin sensores de torque — control de fuerza mucho más limitado
💡 La configuración líder-seguidor
En la configuración líder-seguidor, mueves un brazo gemelo con la mano y el robot copia el movimiento en tiempo real, registrando cada frame como una demostración. Este enfoque permite capturar datos de calidad sin saber programar, lo que hace viable recopilar 50–100 episodios en un fin de semana.
⚡ Cómputo integrado: Jetson y latencia
El hardware de cómputo que ejecuta el VLA, con frecuencia integrado en el propio robot. La línea NVIDIA Jetson (Orin Nano, AGX Orin) es el estándar para la inferencia en el dispositivo: GPU en formato compacto, bajo consumo y viable para el deploy autónomo sin servidor externo. La elección del cómputo determina si el VLA se ejecuta en tiempo real o si necesita un centro de datos remoto.
Comparación: edge vs cloud
- • Latencia <20 ms — compatible con 50 Hz de control
- • Autónomo — sin depender de la red
- • AGX Orin: 275 TOPS a 60W
- • Se requieren TensorRT + cuantización INT8
- • Modelos más grandes (7B+) sin restricción de memoria
- • Latencia de 50–200 ms vía Wi-Fi — límite de ~10 Hz
- • Falla si se cae la red — riesgo en entornos reales
- • Bueno para prototipado, malo para el deploy final
✓ Técnicas de optimización para edge
- ✓Cuantización INT8/INT4 — reduce la memoria y acelera la inferencia con poca pérdida
- ✓TensorRT: compila el modelo para la GPU del Jetson con optimizaciones específicas
- ✓Los modelos más pequeños (SmolVLA, 450M) funcionan cómodamente en el Orin
✗ Errores comunes
- ✗Probar solo en una GPU de investigación y asumir que funciona en el Jetson: no funciona
- ✗Ignorar la latencia de la cámara — el buffer de frames añade 30–80 ms extra
- ✗Modelo float32 en el Jetson sin cuantizar — VRAM insuficiente por encima de 3B
Conceptos clave
Frecuencia con la que el robot lee los sensores y envía nuevos comandos. 10 Hz = 100 ms máximos de pipeline de extremo a extremo.
Reduce la precisión numérica de los pesos (float32 → INT8). Comprime el modelo 4× y lo acelera entre 2 y 4 veces en hardware dedicado.
Contrapone la autonomía y la latencia garantizada en el dispositivo con una mayor capacidad, pero con riesgo de demora y pérdida de conexión.
✅ Resumen del módulo
Siguiente módulo
1.6 — Seguridad y normas: ISO 10218:2025