ROMA enseña a los robots a tocar, agitar y apretar objetos para entenderlos

Cuando una persona recibe una caja desconocida, rara vez se limita a mirarla. La coge para calcular su peso, la agita para oír si algo suena dentro y la aprieta ligeramente para saber si es blanda o rígida. Tres acciones sencillas aportan tres parámetros físicos distintos. En esta observación se basa ROMA, un trabajo del que el medio chino Jiqizhixin informó el 10 de octubre de 2026: el robot no debe recibir pasivamente las señales de la cámara, sino darse cuenta por sí mismo de que sabe demasiado poco sobre el objeto y obtener lo que falta mediante la interacción.

Solo disponemos de la parte introductoria del artículo, así que a continuación se analiza lo que dice y lo que sigue sin conocerse.

Qué se afirma sobre ROMA

La tesis de partida está formulada con claridad: la percepción del mundo en los humanos no se reduce a recibir datos sensoriales ya elaborados. Cuando comprendemos que falta información, actuamos, y la respuesta obtenida completa el cuadro. ROMA traslada esta lógica al robot. El sistema debe explorar el objeto mediante contacto físico y no limitarse a lo que se ve en la imagen.

Lo fundamental aquí no es el movimiento de la mano, sino la condición que lo activa. El robot primero evalúa qué le falta y solo después elige la acción que cubrirá esa laguna. Este planteamiento descarta de entrada el escenario de «tocarlo todo».

Por qué la visión sola no basta

La masa, la rigidez, la fricción y la presencia de contenido se aprecian mal en una imagen. Dos cajas idénticas a simple vista pueden pesar 100 gramos o 2 kilogramos. Los modelos visuales y de lenguaje actuales describen bien una escena, pero estiman las propiedades físicas de un objeto a partir de una imagen solo de forma aproximada. Para un robot que debe agarrar un objeto sin aplastarlo, sin dejarlo caer y sin volcar su contenido, esa imprecisión a menudo no es suficiente.

La idea de la percepción interactiva no es nueva en robótica: los investigadores trabajan en ella desde hace décadas, y sensores táctiles como GelSight se usan desde hace tiempo para estimar forma y textura. La cuestión es quién dirige la exploración. En los primeros trabajos, la secuencia de acciones solía fijarse de antemano. ROMA, a juzgar por la descripción, convierte la elección de la acción en parte del propio razonamiento del agente.

Qué se sabe a partir del fragmento disponible

• Fuente: Jiqizhixin (机器之心), publicación del 10 de octubre de 2026.
• Nombre del enfoque: ROMA; la tarea es la exploración interactiva de objetos por parte de un robot.
• Equivalentes humanos citados en el material: pesar, agitar, apretar.
• Lógica: la interacción se activa cuando el sistema detecta que le falta información.
• El texto disponible no revela las métricas, la lista de objetos de prueba, ni el tipo de manipulador y de sensores.

Qué falta para poder evaluarlo

Sin datos sobre los experimentos, es pronto para juzgar la fuerza real del enfoque. No se sabe en qué hardware se probó el sistema, con qué objetos trabajó, ni cuánto aumentó el porcentaje de agarres exitosos o la precisión en la estimación de la masa frente a los métodos de referencia. Tampoco está claro cómo se relaciona ROMA con los grandes modelos multimodales: si se entrena desde cero, si usa un modelo de lenguaje como «planificador» o si se ajusta con trayectorias de interacción.

Qué deben vigilar los desarrolladores

Cuando se publique el artículo completo o el repositorio, conviene comprobar cuatro cosas. Primera: cómo se formaliza la «falta de información», ya sea mediante la incertidumbre del modelo, un clasificador independiente o un razonamiento basado en lenguaje. Segunda: cuántos intentos físicos se dedican a cada objeto, porque cada sacudida de más supone tiempo de ciclo y desgaste mecánico. Tercera: si la política se transfiere a otros manipuladores y sensores. Cuarta: si existe una comparación con el esquema simple de «levantar y pesar siempre primero»; si funciona casi igual de bien, el valor de elegir las acciones tendrá que demostrarse por separado.

Para los equipos que construyen robots de almacén y domésticos, ROMA es por ahora una referencia de rumbo, no una herramienta lista para usar. Aun así, la dirección es clara: la comprensión física de los objetos se desplaza poco a poco de la cámara a la mano.