Una impresora 3D de uso común puede ayudar a estudiar el sentido del tacto en los robots.
Un equipo de la Universidad Northwestern convirtió una impresora 3D en un dispositivo que presiona sensores táctiles de forma repetida. Su herramienta, 3D Cal, registra imágenes de una cámara junto con la profundidad real de cada presión, aplicada en posiciones conocidas.
Los investigadores reunieron unas 36.000 imágenes de cada uno de dos sensores táctiles ópticos, DIGIT y GelSight Mini. Utilizaron las imágenes y las profundidades medidas para entrenar un modelo que reconstruye el relieve de las superficies. Al probarlo con objetos que el sistema no había visto, el error medio fue de aproximadamente 0,16 y 0,21 milímetros, respectivamente.1
¿Por qué hay que presionar un sensor decenas de miles de veces?
En la punta de un sensor táctil óptico hay un material blando que se deforma al entrar en contacto con un objeto y recupera después su forma. Una cámara interna observa esa deformación.
Pero el patrón que registra la cámara no indica por sí solo cuánto se ha hundido la superficie. Primero hay que relacionar las imágenes con profundidades conocidas. Es parecido a marcar la escala en una regla que todavía no tiene graduaciones.
Ese proceso se llama calibración. Antes de interpretar lo que toca, el robot tiene que aprender qué significan las señales de su propio dedo.
Y esa escala puede cambiar con el uso.
El dedo cambia mientras recopila datos
Los sensores táctiles miden el contacto al presionar y rozar los objetos. Si el material de la punta se desgasta o deforma, tocar el mismo objeto puede producir una señal distinta.
En 2026, un equipo dirigido por F. Richard Cottrell sometió sensores táctiles ópticos a una prueba deliberadamente exigente de presiones repetidas. Las membranas superficiales de los sensores comerciales GelSight Mini y DIGIT se rompieron durante la prueba.2
Incluso sin daños visibles, pueden variar la dureza del material y su forma de deformarse. Entonces hay que comprobar si la calibración sigue siendo válida. También se han propuesto métodos para medir las propiedades mecánicas del sensor y actualizar su calibración sin desmontarlo.3
Los datos almacenados pueden permanecer intactos mientras cambia el sensor que los produjo.
Si además la estructura de los sensores es diferente, el problema crece.
Un mismo contacto produce señales distintas
Los sensores de la familia GelSight observan con una cámara cómo se deforma la superficie de la punta. TacTip sigue el movimiento de pequeños salientes interiores. uSkin mide las fuerzas de contacto a partir de cambios en un campo magnético.
Aunque presionen el mismo objeto con la misma fuerza, sus señales no son iguales. Por eso, un modelo entrenado para estimar fuerzas con un sensor no tiene por qué funcionar directamente con otro.
GenForce, desarrollado por investigadores entre los que figura un equipo del King's College de Londres, busca salvar esa diferencia.4
El equipo representó las señales de contacto como patrones de puntos y aprendió a relacionar los patrones de sensores diferentes. Así pudo trasladar a otro sensor un método para calcular fuerzas aprendido con el primero.
Seguían haciendo falta mediciones emparejadas para relacionar ambos sensores, pero se necesitaban muchos menos ejemplos nuevos con valores de fuerza medidos y etiquetados. Los investigadores también redujeron parte del error causado por diferencias en la dureza del material de las puntas.
Lo que GenForce traslada principalmente es la capacidad de estimar fuerzas. Sus autores también lo aplicaron al agarre y a la corrección de deslizamientos, pero eso no equivale a trasladar a otro robot toda una estrategia de manipulación.
Para manejar un objeto, un robot no solo debe saber dónde toca y con cuánta fuerza. También tiene que decidir cómo mover los dedos a continuación.
Los datos táctiles ya se cuentan por millones
Presentado en 2009, ImageNet es una gran base de imágenes que permitió a distintos investigadores entrenar modelos de inteligencia artificial con las mismas fotografías y comparar sus resultados.
En el estudio del tacto también se han reunido grandes conjuntos de datos.
El modelo Sparsh aprendió representaciones útiles para distintas tareas a partir de más de 460.000 imágenes táctiles.5 TacX utilizó alrededor de un millón de interacciones centradas en el contacto, combinando imágenes con sonido, movimiento y presión.6
Publicado en 2026, AnyTouch 2 aprende conjuntamente de datos procedentes de distintos sensores táctiles ópticos. El conjunto ToucHD incluye unos 2,43 millones de muestras táctiles obtenidas de contactos reales y simulados.7
Las cifras no emplean la misma unidad: unos estudios cuentan imágenes, otros interacciones, y otros fotogramas o pares de mediciones táctiles y de fuerza.
Ya no basta con describir la robótica táctil como un campo al que le faltan datos.
La pregunta es si los datos recogidos con un tipo de dedo robótico pueden servirle a otro.
De la mano humana a la mano robótica
Pensemos en alguien que enrosca una bombilla.
Los dedos la sujetan, ajustan la presión para que no resbale y la giran poco a poco. La persona modifica el movimiento según lo que siente en las yemas.
Para trasladar esa experiencia a un robot hay que superar dos diferencias. El guante táctil de una persona y el sensor de un robot registran de modo distinto el mismo contacto. Además, los dedos humanos y robóticos no tienen necesariamente la misma longitud ni las mismas articulaciones.
TactAlign, presentado en la conferencia Robotics: Science and Systems de 2026, propone conectar las señales táctiles humanas con las de un robot.8
Los investigadores observaron cómo se movían las manos y los objetos durante tareas realizadas por personas y robots. A partir de esas interacciones dedujeron correspondencias que permitieron comparar las señales de los distintos sensores.
En la prueba de enroscar una bombilla utilizaron 20 demostraciones humanas. Como reutilizaron una conversión de señales aprendida en tareas anteriores, no necesitaron demostraciones del robot específicas para esa tarea.
El robot completó los diez intentos de evaluación comunicados por el equipo.
La experiencia de contacto de una mano humana había servido a una mano robótica con otra estructura.
TACROSS, descrito en un preprint difundido en octubre de 2026, estudió cómo podían contribuir los datos táctiles humanos al entrenamiento de robots.9
El guante humano registraba cambios de resistencia eléctrica al presionarse, mientras que el sensor robótico medía cambios de capacitancia.
En vez de igualar los valores que medía cada sensor, el equipo buscó cambios comunes, como el comienzo del contacto o la variación de la presión.
En cuatro tareas de manipulación, el entrenamiento con solo 30 demostraciones robóticas alcanzó una tasa media de éxito del 51,3%. Al mantener esas mismas 30 demostraciones y añadir 150 demostraciones humanas junto con el método completo de TACROSS, la tasa subió al 91,9%.
Con el mismo número de demostraciones robóticas, se completaron más tareas. Los datos táctiles humanos ayudaron al aprendizaje, aunque las demostraciones del robot siguieron proporcionando las acciones de referencia.
Relacionar las señales de dedos distintos podría reducir los datos que es necesario recoger directamente con cada robot.
Diez mil horas recogidas sin un robot concreto
TacClaw-Infinity, presentado en un preprint de octubre de 2026, exploró otra manera de reunir experiencias de manipulación.10
Sus autores utilizaron TacClaw, un dispositivo portátil parecido a una pinza. Cuando una persona agarraba y movía objetos, el aparato registraba simultáneamente imágenes, señales táctiles y movimientos de la mano.
Los investigadores comunicaron que habían reunido más de 10.000 horas de manipulación y más de un millón de episodios registrados sin operar un robot de destino concreto durante la recogida de datos. Hasta el 21 de octubre de 2026, el portal público solo anunciaba las primeras 1.000 horas disponibles, no toda la colección declarada.
Los modelos entrenados con esos datos se probaron en tres tipos de robots. En las pruebas descritas por los autores, los robots pudieron apilar o clasificar objetos y limpiar superficies sin recopilar nuevas demostraciones de esas tareas en cada robot de destino. Los modelos que incluían información táctil alcanzaron tasas medias de éxito superiores a los que no la incluían.
Los resultados indican que las experiencias recogidas sin operar un robot de destino pueden ser útiles para entrenar varios tipos de robots, pero no demuestran una transferencia universal.
Sin embargo, hubo que comprobar por separado si los movimientos registrados con el dispositivo portátil eran ejecutables por cada robot.
Entender un contacto y ejecutar el movimiento correspondiente son problemas distintos.
Un gran depósito de datos no basta
En conjunto, estos estudios muestran tres diferencias que importan al compartir experiencias táctiles.
La primera está en las señales: un mismo contacto se registra de distintas maneras según el sensor, y es necesario relacionarlas.
La segunda está en el movimiento. Entender un contacto no significa que un robot con otras articulaciones pueda repetir exactamente la misma acción.
La tercera está en el estado del propio sensor. Ya existen métodos que reducen errores de estimación de fuerza causados por diferencias de dureza, pero detectar el desgaste durante el trabajo real y actualizar la calibración todavía requiere más comprobaciones.
ImageNet fue importante no solo por reunir muchas fotografías, sino porque los investigadores podían compartir los mismos datos y comparar los resultados de sus modelos.
Los datos táctiles también están aumentando rápidamente. Pero cuando el dedo que recogió una experiencia es diferente del que pretende usarla, hay que adaptar tanto el significado de las señales como los movimientos posibles.
El progreso del tacto robótico no depende de crear un único depósito gigantesco de datos, sino de lograr que la experiencia de contacto de un dedo pueda aprovecharse en otro.
Siga leyendo CAUSIFOLD
Siga los nuevos artículos y novedades de CAUSIFOLD en Substack.
Suscribirse en Substack ↗Notas
1. Rohan Kota et al., “3D Cal: An Open-Source Software Library for Depth Reconstruction on Vision-Based Tactile Sensors”, IEEE Robotics and Automation Letters 11(5), 6248–6255 (2026). Se recogieron 36.630 imágenes de DIGIT y 36.270 de GelSight Mini. Los errores medios de reconstrucción en objetos no vistos fueron de 156 y 205 μm.
2. F. Richard Cottrell et al., “A Durable Vision-Based Tactile Fingertip for Robotic Manipulation”, arXiv:2608.24242 (2026). Ensayo acelerado de 39,2 N a 45 presiones por minuto. Las primeras roturas de membrana se observaron tras unos 25–35 minutos en esas condiciones, no como estimación de la vida útil real.
3. Can Zhao et al., “In-situ Mechanical Calibration for Vision-based Tactile Sensors”, ICRA (2023). Método para reestimar el módulo de Young y el coeficiente de Poisson del elastómero sin desmontar el sensor.
4. Zhuo Chen et al., “Training tactile sensors to learn force sensing from each other”, Nature Communications 17, 2101 (2026). Se probaron sensores como GelSight, TacTip y uSkin. Los datos emparejados por posición fueron inferiores al 10% de las imágenes etiquetadas con fuerza. Con siete elastómeros de distinta dureza, el error medio de fuerza normal disminuyó un 30% al transferir de duro a blando y un 16% en la dirección contraria. No fue una prueba longitudinal de detección automática del desgaste.
5. Carolina Higuera et al., “Sparsh: Self-supervised touch representations for vision-based tactile sensing”, CoRL 2024, PMLR 270, 885–915 (2025). Más de 460.000 imágenes táctiles.
6. Carolina Higuera et al., “Tactile Beyond Pixels: Multisensory Touch Representations for Robot Manipulation”, CoRL 2025, PMLR 305, 105–123. Alrededor de un millón de interacciones con contacto registradas con Digit 360. La prepublicación se llamaba Sparsh-X.
7. Ruoxuan Feng et al., “AnyTouch 2: General Optical Tactile Representation Learning For Dynamic Tactile Perception”, ICLR (2026). Las 2.426.174 muestras de ToucHD incluyen 1.118.896 fotogramas de contacto simulado, 584.842 fotogramas de manipulación real y 722.436 pares de mediciones táctiles y de fuerza. No son episodios independientes de contacto.
8. Youngsun Wi et al., “TactAlign: Human-to-Robot Policy Transfer via Tactile Alignment”, Robotics: Science and Systems (2026). Prepublicación. Tanto el guante OSMO como los sensores Xela del robot se basan en fenómenos magnéticos, pero difieren en mecanismo y estructura de señales. En la prueba de la bombilla se reutilizó la conversión aprendida en tareas anteriores; se emplearon 20 demostraciones humanas y ninguna demostración robótica específica, y los diez intentos tuvieron éxito.
9. Bo Chen et al., “TACROSS: An Efficient and Low-Cost Scalable Human Touch System Across Heterogeneous Tactile Sensors for Dexterous Robot Learning”, prepublicación de octubre de 2026. Media de cuatro tareas: 51,3% con 30 demostraciones robóticas; 91,9% con las mismas 30 más 150 demostraciones humanas y el método completo. Sin tacto humano se obtuvo un 73,1%; sin la alineación de señales, un 49,4%. No toda la mejora puede atribuirse exclusivamente a la entrada táctil.
10. Fucai Zhu et al., “TacClaw-Infinity: A Large-Scale Vision-Tactile-Language-Action Dataset for Dexterous Manipulation”, prepublicación de octubre de 2026. Los autores declaran más de 10.000 horas, más de un millón de episodios y más de mil millones de fotogramas. A fecha de 21 de octubre de 2026, el portal público anunciaba las primeras 1.000 horas; el volumen recopilado, el disponible y el usado para entrenar modelos concretos no son idénticos. En dos familias de modelos, las tasas medias de éxito pasaron del 50,0% al 74,0% y del 46,0% al 72,7%, respectivamente, al añadir tacto. El repositorio de investigación ofrece herramientas de reproducción y análisis cinemático, pero indica que el código para entrenar políticas y evaluar tareas se publicará más adelante.