En CES 2026, la conversación sobre robótica ha cambiado silenciosamente. Cada vez menos personas se preguntan si los robots pueden moverse más rápido o levantar objetos más pesados. Muchos se preguntan algo más difícil: ¿por qué los robots siguen luchando fuera de las demostraciones controladas y qué falta para que sean confiables en el mundo actual?
Para muchos en la industria, la respuesta son los datos. No datos sintéticos ni movimientos programados, sino datos de interacción reales que capturan cómo se comportan los objetos cuando se tocan, empujan, aprietan o mueven.
Ese es el problema que Daimon Robotics está tratando de abordar con el DM-EXton2, un sistema de adquisición de datos basado en teleoperación presentado en el CES este año. No es un producto de consumo. Es una herramienta profesional diseñada para ayudar a los robots a aprender de la interacción humana a escala.
Los robots no son tontos: no tienen experiencia
Los avances recientes en IA han mejorado drásticamente la percepción, la comprensión del lenguaje y el razonamiento. Pero la interacción física sigue siendo un punto débil. Un robotic puede reconocer un objeto perfectamente y aun así fallar cuando se le pide que lo recoja, lo inserte o lo manipule de forma segura.
La razón es sencilla: el mundo físico es un caos. La fuerza, la fricción, la deformación y el contacto cambian de un momento a otro y esas señales son difíciles de capturar limpiamente. La mayoría de los robots simplemente no han visto suficientes datos.
Los métodos tradicionales de recopilación de datos conllevan compensaciones. Los entornos de captura dedicados son costosos y requieren mucha mano de obra, pero aun así producen datos reutilizables limitados. La simulación es más barata, pero la brecha entre la física digital y la realidad a menudo conduce a modelos que funcionan en el laboratorio y fallan en la práctica.
Peor aún, muchos sistemas existentes interfieren con el comportamiento que intentan registrar. Los equipos voluminosos restringen el movimiento pure, mientras que la detección limitada pasa por alto la fuerza sutil y las señales táctiles en las que los humanos confiamos instintivamente.
Qué hace realmente un sistema robótico de adquisición de datos
Un sistema de adquisición de datos basado en teleoperación aborda el problema de otra manera.
Partiendo de los enfoques tradicionales de teleoperación, un sistema de adquisición de datos basado en teleoperación registra datos de interacción en tiempo actual con mayor coherencia en múltiples señales. Un operador humano controla de forma remota un robotic para realizar tareas reales (agarrar objetos, insertar componentes o manipular herramientas) mientras el sistema captura datos de movimiento, sincronización, contacto y fuerza simultáneamente.
De hecho, el robotic aprende observando y sintiendo cómo un humano hace el trabajo. Cuanto más se acerca esta configuración al comportamiento humano pure, más útiles se vuelven los datos resultantes.
Creado para datos del mundo actual, no para demostraciones
El DM-EXton2 es el primer sistema de teleoperación de retroalimentación háptica del mundo para la adquisición de datos robóticos, diseñado para capturar datos de interacción de alta calidad de tareas del mundo actual.
Está diseñado en torno a la capacidad de respuesta y la flexibilidad de implementación en lugar de especificaciones portátiles. Al operar a una velocidad de respuesta de 1000 Hz, el sistema permite una sincronización de comandos a nivel de milisegundos que admite una teleoperación fluida y de baja latencia durante la recopilación de datos.
También admite la teleoperación de cuerpo completo, incluido el management coordinado de bases móviles y articulaciones de la cintura, ampliando la gama de tareas que se pueden capturar. Junto con el escalado de movimiento adaptativo y el cambio rápido de efector remaining, estas capacidades permiten que un solo sistema admita tanto la manipulación fina como los movimientos de gran alcance sin interrumpir el proceso de recopilación de datos.
Para adaptarse a diferentes entornos de trabajo, el DM-EXton2 está disponible en dos configuraciones: una versión de mochila adecuada para configuraciones de recopilación de datos móviles y una versión montada en soporte diseñada para estaciones de trabajo fijas. Esto permite a los operadores elegir el formato que mejor se adapte a su flujo de trabajo, ya sea que los datos se capturen en espacios dinámicos o en entornos estables y repetibles.
Poniendo fuerza y tacto en el bucle.
Donde más se destaca el DM-EXton2 es en la combinación de retroalimentación de fuerza del lado del operador con detección táctil para la recopilación de datos.
El sistema incorpora estas capacidades de fuerza a un marco de teleoperación más amplio, lo que permite una manipulación más pure y precisa durante la recopilación de datos. A medida que el robotic interactúa con su entorno, las fuerzas de contacto se devuelven al operador en tiempo actual. Tareas como manipular objetos frágiles o realizar inserciones precisas se vuelven más intuitivas, incluso cuando la vista del robotic está parcialmente obstruida.
No se trata sólo de mejorar la experiencia de management del operador. A nivel del robotic, las señales táctiles y de fuerza se registran junto con los datos de movimiento, creando conjuntos de datos multimodales que reflejan cómo los humanos interactúan realmente con los objetos. Esos datos son fundamentales para enseñar a los robots no sólo cómo moverse, sino también cómo juzgar el contacto y adaptarse a las limitaciones físicas.
De experimentos aislados al aprendizaje repetible
Al sincronizar el movimiento, la fuerza y el tacto, el DM-EXton2 actúa como un puente entre la habilidad humana y el aprendizaje automático. La intuición humana se convierte en datos estructurados de los que los robots pueden aprender, reutilizar y aplicar en todas las tareas.
Ese cambio importa. En lugar de recopilar pequeños conjuntos de datos específicos de tareas, los equipos pueden crear canales continuos para la generación de datos. Con el tiempo, esto permitirá un entrenamiento de modelos más rápido y una implementación más confiable.
Cerrando el ciclo
El sistema también encaja en un cambio más amplio en la forma en que se desarrollan los robots. La recopilación de datos, el entrenamiento del modelo y la implementación ya no son etapas separadas. Forman cada vez más un bucle.
Los datos de interacción de alta calidad se incorporan a modelos multimodales, incluidos los marcos de visión, tacto, lenguaje y acción, que mejoran el comportamiento del robotic. Luego, el uso en el mundo actual genera nuevos datos que perfeccionan el siguiente ciclo de entrenamiento.
Para que ese bucle funcione, los datos deben moverse libremente. La estandarización y la compatibilidad no son cosas buenas; son requisitos previos.
Donde encaja Daimon Robotics
Daimon Robotics se centra en las tecnologías que respaldan el aprendizaje de los robots, en lugar de construir robots completos. Su trabajo abarca sensores táctiles, {hardware} de manipulación diestra y sistemas de teleoperación diseñados para respaldar la recopilación de datos a gran escala.
La empresa fue incubada en la Universidad de Ciencia y Tecnología de Hong Kong y fundada por el profesor Yu Wang, director fundador del Instituto de Robótica HKUST, junto con el Dr. Jianghua Duan. El equipo combina la investigación académica con la experiencia en la implementación de tecnología robótica más allá del laboratorio.
Dentro de este enfoque, el DM-EXton2 sirve como un componente clave de la estrategia “3D” de Daimon Robotics: dispositivo, datos e implementación. Aprovechando el enfoque a largo plazo de la compañía en la detección táctil y la manipulación diestra, el sistema ayuda a convertir la fuerza y los datos táctiles en entradas utilizables para modelos de aprendizaje avanzados, respaldando el progreso hacia una capacidad robótica de propósito más normal.
Por qué esto importa
A medida que los robots se acerquen a los entornos cotidianos, el progreso dependerá menos de algoritmos inteligentes y más de si las máquinas pueden aprender del mundo físico en el que operan.
El DM-EXton2 no promete autonomía instantánea. En cambio, sirve como un puente crítico, permitiendo que los robots sean guiados a través de tareas del mundo actual para que se puedan capturar datos de interacción de alta calidad como base para capacidades más generales.
Puede obtener más información sobre Daimon Robotics a través de su sitio web de la empresa, perfil de LinkedIn y cuenta de youtube.
