Universal Robots y Scale AI lanzan la plataforma UR AI Trainer para entrenar robots

Universal Robots, junto con Scale AI, ha presentado UR AI Trainer — un conjunto de hardware y software para recopilar datos de entrenamiento directamente en cobots industriales. El anuncio en GTC 2026 apunta a uno de los desafíos más urgentes en AI física: los modelos muestran un desempeño decente en el laboratorio, pero a menudo tienen dificultades cuando se implementan en líneas de producción reales, especialmente en montaje, embalaje y otras tareas que implican contacto físico.

Cómo Funciona la Plataforma

UR AI Trainer se construye sobre un esquema líder-seguidor. Un operador guía manualmente el robot "líder" a través de una tarea específica, por ejemplo empacar un smartphone, mientras que un segundo robot espeja simultáneamente los movimientos. El sistema no solo registra la trayectoria. Recopila datos multimodales en el mismo ciclo en el que el robot interactúa realmente con objetos y superficies. Esto es crucial para entrenar modelos Vision-Language-Action, que necesitan más que ver una imagen: necesitan entender cómo el movimiento se relaciona con el contacto, la resistencia y la precisión en la ejecución de la tarea. Durante la demostración, el sistema registra simultáneamente cuatro tipos de señales:

• trayectorias de movimiento y cinemática
• retroalimentación de fuerza y torque
• datos visuales de la cámara
• sincronización de todas las modalidades en un único conjunto de datos

La idea clave es que los datos se recopilan en los mismos robots Universal Robots que luego pueden funcionar en el piso de producción. Esto cierra la brecha entre la celda experimental y la implementación industrial: si un modelo se entrenó en un UR3e o UR7e en un entorno controlado, es más fácil transferirlo a equipos idénticos en producción sin reconstruir completamente el pipeline. Además, esto reduce el riesgo de que el comportamiento del modelo se desmorone al pasar de una configuración de investigación a una tarea en línea de ensamblaje.

Por Qué el Contacto es Importante

La mayoría de los conjuntos de datos de robótica hasta ahora se basan principalmente en visión. Para tareas como "acercarse y recoger", esto a veces es suficiente, pero en la producción muchas operaciones requieren que el robot sienta el momento del contacto, la presión y la resistencia del material. Atornillado, inserción de piezas, presión, empaque de objetos frágiles, montaje preciso — todo esto se incluye en manipulación rica en contacto, y estos escenarios son los más difíciles de automatizar de manera confiable.

UR apuesta por control de torque directo y retroalimentación de fuerza. Simplemente dicho, el modelo obtiene no solo una respuesta a lo que el robot vio, sino también a lo que "sintió" al ejecutar correctamente la acción. Por esto, el entrenamiento se acerca más a la física real del proceso que a una demostración abstracta de trayectorias en el aire. Para los fabricantes, esto es crítico: un error en el contacto con el objeto no significa solo una predicción fallida, sino defectos, tiempo de inactividad de la línea o daño a la pieza.

"Esta es la primera solución en la industria que transfiere el entrenamiento de modelos de AI directamente del laboratorio a la producción", dice

Anders Beck de Universal Robots.

Datos y Ecosistema

La asociación con Scale AI agrega a este esquema no solo anotación, sino un ciclo completo de manejo de datos. El software de Scale está integrado en la plataforma UR AI Trainer y ayuda a capturar, estructurar y almacenar demostraciones recopiladas. La lógica aquí es similar a un flywheel: los operadores registran ejemplos, los modelos se entrenan con estos datos, los robots mejoran la calidad de ejecución de tareas, y nuevos episodios de trabajo regresan al siguiente ciclo de reentrenamiento. Este ciclo cerrado convierte AI física de un experimento único en un proceso de producción repetible.

Las empresas también han prometido lanzar un conjunto de datos industrial importante recopilado en robots UR más adelante en 2026. El stand GTC demuestra este concepto en dos formatos simultáneamente. En la demostración física, los visitantes controlan un par de robots UR3e que transmiten movimientos a dos unidades UR7e para una tarea de empaque de smartphone. Paralelamente, NVIDIA Omniverse e Isaac Sim ejecutan un escenario virtual con controladores táctiles Haply Inverse3, mientras que Generalist AI demuestra cómo dos UR7e ya ejecutan autónomamente la misma tarea.

Para Universal Robots, esto también es un argumento de escala: la empresa ya tiene más de 100.000 cobots en implementaciones en todo el mundo.

Lo Que Esto Significa

El mercado de robótica se está moviendo de escenarios rígidamente programados a modelos que pueden reentrenarse en episodios de producción reales. Si Universal Robots y Scale AI realmente convierten la recopilación de datos en fábricas en una herramienta estándar, las empresas industriales tendrán un camino más corto de piloto a implementación, y los negocios no tendrán que construir infraestructura de investigación separada desde cero — especialmente para tareas donde el contacto, la precisión y la repetibilidad son importantes.