Por Canuto  

Investigadores de ETH Zurich demostraron que una mano robótica WUJI puede usar sus dedos para desplazarse, recuperarse de caídas y manipular objetos sin depender de un brazo o una plataforma móvil. El experimento combina aprendizaje por refuerzo y simulación para convertir un efector diseñado para agarrar en un manipulador móvil autónomo.
***

  • La mano WUJI se arrastra, cambia de dirección y se recupera de caídas usando sus propios dedos como apoyo.
  • El sistema ejecutó tareas como pulsar teclas y empujar un objeto hacia objetivos, con distintos tipos de retroalimentación.
  • El estudio entrenó la locomoción mediante aprendizaje por refuerzo en simulación calibrada con mediciones del hardware físico.

ETH Zurich convierte una mano robótica en un manipulador que camina solo

Una mano que deja de ser solo una herramienta

Investigadores de ETH Zurich demostraron que una mano robótica antropomórfica puede desplazarse usando los mismos dedos que normalmente emplea para agarrar y manipular objetos. El dispositivo, desarrollado comercialmente por WUJI, logró arrastrarse, orientarse y recuperarse de caídas sin depender de un brazo robótico convencional ni de una plataforma móvil independiente.

La propuesta cambia la función habitual de una mano dentro de un sistema robótico: en lugar de ser el extremo de un brazo, el propio efector se convierte en una unidad móvil. Los investigadores describen el resultado como un manipulador móvil compacto, una configuración que integra locomoción e interacción física en un solo conjunto de mecanismos.

La demostración también destaca una condición práctica: la mano podía operar sin cables gracias a que incorporaba alimentación y capacidad de cómputo a bordo. Esa autonomía permitió que el equipo probara sus movimientos sin conectarla a un sistema de movilidad separado, aunque el estudio no plantea que el dispositivo sustituya a los robots móviles convencionales en cualquier tarea.

El trabajo aparece en un artículo titulado “Fingers as Legs: Learning Self-Supported Locomotion and Manipulation with an Anthropomorphic Hand”, firmado por Amirhossein Kazemipour, Hehui Zheng y Robert Katzschmann. Según Robotics & Automation News, el estudio se centró en aprender una locomoción capaz de sostener el peso del dispositivo y, a la vez, conservar la posibilidad de realizar tareas de manipulación.

Aprendizaje por refuerzo y entrenamiento en simulación

Para desarrollar el movimiento, los investigadores recurrieron al aprendizaje por refuerzo, un método en el que un sistema ajusta su comportamiento a partir de objetivos y recompensas. En este caso, el entrenamiento debía tener en cuenta que los dedos no tienen dimensiones ni características idénticas, por lo que no podían tratarse como patas intercambiables.

El equipo entrenó las capacidades de locomoción en un entorno simulado y calibró esa simulación con mediciones tomadas del hardware físico. Ese paso conectó el modelo virtual con las particularidades de la mano real, en vez de asumir que el comportamiento aprendido en pantalla se transferiría sin ajustes al dispositivo.

Los investigadores señalan que su formulación de recompensa permitió que la mano se moviera más rápido en la simulación que cuando utilizaron recompensas ajustadas originalmente para robots cuadrúpedos. La comparación ilustra por qué las reglas concebidas para una arquitectura distinta no necesariamente se adaptan bien a un dispositivo cuyos apoyos son dedos de formas desiguales.

El objetivo no era únicamente que la mano avanzara, sino que mantuviera el control suficiente para desplazarse y ejecutar acciones físicas. La combinación de locomoción y manipulación obliga al sistema a coordinar sus apoyos con el uso de los dedos, una exigencia distinta de la que afronta una mano montada en un brazo fijo.

Desplazamiento, recuperación y tareas con objetos

En las pruebas físicas, la mano consiguió arrastrarse, dirigirse y recuperarse autónomamente después de caídas. La recuperación es relevante para la demostración porque muestra que el dispositivo no se limita a producir un movimiento planificado sobre una superficie estable, sino que puede volver a una postura operativa tras perder el equilibrio.

Los investigadores también evaluaron si la mano podía manipular objetos mientras se sostenía sobre sus propios dedos. En una de las pruebas, ejecutó comandos sucesivos en un teclado sin depender de la visión, una tarea que exigió combinar el soporte del cuerpo con movimientos precisos para presionar las teclas.

En otra demostración, el dispositivo empujó un objeto hacia posiciones objetivo con ayuda de retroalimentación visual cenital. Las dos pruebas muestran configuraciones distintas: una secuencia de pulsaciones sin visión y una acción de empuje que sí utiliza información visual desde arriba.

Esas tareas no equivalen por sí solas a una aplicación industrial completa, pero sí permiten observar cómo se integran el desplazamiento y la interacción. La mano no necesita detenerse para convertirse en una herramienta fija: utiliza sus dedos tanto para sostenerse como para entrar en contacto con el entorno.

Manos diestras, teleoperación y datos para robótica

La investigación también se inscribe en el desarrollo de manos robóticas comerciales como plataformas de experimentación para el aprendizaje robótico. WUJI desarrolla la WUJI Hand 2 y WUJI Glove, sistemas diseñados para teleoperación en tiempo real y recopilación de datos de movimiento y tacto.

La empresa presentó ambos sistemas en IROS 2026, celebrado en Pittsburgh entre el 27 de septiembre y el 1 de octubre. Durante las demostraciones, el guante permitió controlar en tiempo real una mano diestra de WUJI, trasladando movimientos humanos a la manipulación robótica.

Ese tipo de teleoperación puede cumplir una función más amplia que el control remoto: también permite registrar demostraciones humanas para entrenar modelos de IA encarnada y sistemas de manipulación. Los ejemplos capturados pueden mostrar cómo una persona agarra, reposiciona o manipula un objeto, aunque la recopilación de esas demostraciones no implica por sí misma que un robot ya pueda realizar las tareas de forma autónoma.

WUJI figura entre los fabricantes de hardware que ofrecen compatibilidad nativa con Nvidia Isaac Teleop, el marco de teleoperación de Nvidia para robótica. En conjunto, los sistemas de manos diestras, los guantes de control y el aprendizaje por refuerzo amplían las opciones de investigación, mientras el experimento de ETH Zurich lleva esa idea más lejos al convertir la propia mano en el robot móvil.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados