Cómo MTS enseña a un humanoide con un modelo VLA a coger objetos que se mueven por una cinta transportadora

El 22 de julio de 2026, Daniya, ingeniera de ML de MTS, publicó en el blog corporativo de la empresa en Habr un análisis de cómo, en la división de I+D de Physical AI, enseñan a un humanoide de cuerpo completo a coger objetos que se mueven por una cinta transportadora con ayuda de una política VLA (Vision-Language-Action, «visión, lenguaje, acción»).

En qué consiste el problema principal

El humanoide coge con seguridad un objeto de la mesa, pero empieza a fallar cuando ese mismo objeto avanza por una cinta transportadora; el equipo de MTS se centra precisamente en esta tarea. En una escena estática el objeto está quieto, la iluminación es estable y la cámara apunta a la zona de trabajo, por lo que los modelos VLA actuales muestran una alta calidad de control. En cuanto el objeto se pone en movimiento, la precisión de agarre habitual desaparece: un modelo entrenado con escenas estáticas no logra seguir el ritmo de una geometría de la tarea que cambia.

Según la ingeniera, no se trata de un fallo aislado, sino de una limitación sistemática de un enfoque que funciona de maravilla en demostraciones de laboratorio, pero se traslada mal a una cinta transportadora real.

El robot coge con seguridad un objeto de la mesa, pero empieza a

fallar cuando el objeto avanza por una cinta transportadora.

— Daniya, ingeniera de ML en MTC Web Services

Por qué una escena dinámica es más compleja que una estática

Un entorno dinámico añade dos niveles de dificultad a la vez: se mueve el propio objeto y se mueve el robot, que tiene que adaptarse a él. La mayoría de las demostraciones de robots más vistosas se siguen grabando en condiciones estáticas: los objetos están colocados con cuidado sobre la mesa y la escena apenas cambia. Las tareas reales en el hogar y en la producción no son así: como mínimo, los objetos avanzan por una cinta transportadora y el agarre hay que calcularlo teniendo en cuenta su velocidad y su trayectoria.

Datos clave del proyecto:

• Equipo: la división de I+D de Physical AI en MTC Web Services
• Tecnología: política VLA (Vision-Language-Action) para un humanoide
• Autora del análisis: Daniya, ingeniera de ML de MTS
• Foco: agarre de objetos que se mueven por una cinta transportadora, no de objetos sobre una mesa
• Fecha de publicación del análisis: 22 de julio de 2026

Por qué es más difícil para un humanoide que para un brazo manipulador

Un robot de cuerpo completo no solo tiene que alargar el brazo hacia el objeto, sino también mantener el equilibrio de todo el cuerpo. Un brazo manipulador fijo resuelve un problema más sencillo: tiene la base inmovilizada y todo el modelo se ocupa únicamente del movimiento del brazo. El humanoide, en cambio, para ese mismo agarre se ve obligado a dar pasos y a compensar el desplazamiento del centro de gravedad con movimientos adicionales del torso.

Cada uno de esos movimientos modifica la posición de la cámara y del brazo respecto al objeto, que en ese momento también se está moviendo. Como resultado, el cálculo de los movimientos se complica muchas veces: el modelo debe predecir a la vez la trayectoria del objeto, planificar el agarre y mantener la estabilidad del robot. Esta combinación es la que el equipo de MTS intenta ahora reunir en el marco de la línea de Physical AI.

Qué significa

El paso de las demostraciones estáticas al trabajo con objetos en movimiento es una de las principales barreras en el camino de los humanoides del laboratorio a la producción real. El análisis de MTS muestra que incluso la operación básica de «coger un objeto» deja de ser trivial en cuanto la escena cobra vida, y que la aplicación industrial de los robots VLA depende no de la fuerza de agarre, sino de la dinámica del entorno.

Preguntas frecuentes

¿Qué es una política VLA?

VLA (Vision-Language-Action) es un modelo de control de robots que conecta la visión, una instrucción en lenguaje natural y la acción: el robot «ve» la escena, entiende la tarea y planifica el movimiento. En escenas estáticas, según el análisis de MTS, estos modelos muestran una alta calidad de agarre.

¿Por qué un entorno dinámico es más difícil para un humanoide?

Porque se mueven tanto el objeto como el propio robot. Para agarrar, un humanoide de cuerpo completo tiene que dar pasos y mantener el equilibrio del cuerpo con movimientos adicionales, por lo que el cálculo de los movimientos se complica muchas veces en comparación con un brazo manipulador fijo.