AI Trainer permite una robótica basada en datos

Universal Robots ha presentado su plataforma AI Trainer en GTC 2026, marcando un cambio hacia una robótica impulsada por IA, en la que los sistemas aprenden tareas a partir de datos en lugar de instrucciones preprogramadas. Desarrollada en colaboración con Scale AI, la plataforma permite recopilar conjuntos de datos de alta calidad directamente de robots industriales.

La solución está diseñada para cerrar la brecha entre la investigación en IA y su implementación en el mundo real, permitiendo entrenar robots con el mismo hardware utilizado en entornos de producción.

Entrenamiento leader–follower para tareas reales
En el núcleo del AI Trainer se encuentra una configuración leader–follower. Los operadores humanos guían a un robot “leader” a través de una tarea, mientras que un robot “follower” sincronizado replica el movimiento en tiempo real.

Durante este proceso, el sistema captura datos multimodales, incluyendo movimiento, retroalimentación de fuerza y entradas visuales. Estos conjuntos de datos sincronizados se utilizan para entrenar modelos avanzados de IA, como los sistemas Vision-Language-Action (VLA), permitiendo a los robots aprender tareas complejas y ricas en interacción.

Este enfoque permite a los robots imitar acciones humanas y adaptarse a entornos dinámicos, favoreciendo una automatización más flexible.

Datos de alta fidelidad con retroalimentación de fuerza
Un desafío clave en el desarrollo de la IA robótica es la falta de datos de entrenamiento de alta calidad. Muchos sistemas dependen principalmente de datos visuales o se entrenan con robots no industriales, lo que limita su aplicabilidad en producción.

El AI Trainer aborda este problema mediante el uso de control directo de par y retroalimentación de fuerza, lo que permite capturar datos detallados de interacción física. Esto permite a los robots aprender tareas que implican contacto, presión o manipulación delicada.

Al recopilar datos directamente en robots de grado industrial, la plataforma garantiza que los modelos entrenados puedan desplegarse con mayor fiabilidad en aplicaciones reales.




Aprendizaje continuo mediante integración de datos
La plataforma se integra con el AI Accelerator de Universal Robots y la infraestructura de datos de Scale AI para crear un ciclo continuo de datos. Los datos recopilados durante la operación pueden utilizarse para perfeccionar los modelos, que luego se vuelven a desplegar para mejorar el rendimiento con el tiempo.

Este enfoque de “data flywheel” apoya la optimización continua de los sistemas robóticos y permite ciclos de iteración más rápidos en el desarrollo de IA.

Como parte de la colaboración, las empresas planean lanzar un conjunto de datos industrial a gran escala recopilado de los sistemas de Universal Robots.

Simulación y generación de datos sintéticos
Además de la captura de datos físicos, Universal Robots está explorando el entrenamiento basado en simulación utilizando herramientas de NVIDIA.

Con NVIDIA Omniverse e Isaac Sim, los desarrolladores pueden entrenar robots en entornos virtuales basados en física. Estas simulaciones permiten probar de forma segura escenarios complejos y generar datos sintéticos a gran escala.

La empresa también está evaluando el enfoque NVIDIA Physical AI Data Factory para automatizar la generación de datos y acelerar los flujos de entrenamiento.

Hacia una robótica de propósito general
En el evento, Universal Robots también demostró un modelo fundamental robótico desarrollado por Generalist AI. En la demostración, dos robots realizaron de forma autónoma una tarea de empaquetado de smartphones, mostrando movimientos coordinados y manipulación precisa.

La combinación de captura de datos de alta calidad, simulación y modelos fundamentales refleja una tendencia más amplia hacia robots de propósito general capaces de percibir, razonar y aprender de la experiencia.

Al permitir un entrenamiento escalable basado en datos, la plataforma AI Trainer busca acelerar la transición de una automatización rígida hacia sistemas robóticos adaptativos e inteligentes.

Editado por la periodista industrial Romila DSilva, con la ayuda de IA.