Cómo un robot aprende a doblar ropa: aprendizaje por imitación

Nadie escribió las reglas para doblar una toalla. El robot que lo hace aprendió viendo a una persona hacerlo, una y otra vez, con traje de captura de movimiento, mientras las cámaras registraban cada ángulo de cada articulación. Eso es el aprendizaje por imitación en robots en una frase, y es la idea más útil que un papá puede entender sobre la robótica de 2026, porque explica por qué un robot doméstico dobla camisas pero no encuentra el otro zapato de tu hijo. Tesla paga entre 25,25 y 48 dólares por hora a personas que caminan con traje de captura precisamente por esto (Fortune, 19 de agosto de 2024). Aquí te explico el mecanismo, los números y tres actividades por edad para enseñarlo en la mesa de la cocina.

Puntos clave

• El aprendizaje por imitación significa que una red neuronal traduce imágenes de cámara en comandos de motor copiando demostraciones humanas grabadas. Sin reglas, sin lógica de si-entonces, sin ecuaciones de física escritas a mano.
• Zhao et al. (2023) lograron 80–90% de éxito en tareas finas con dos manos a partir de apenas “10 minutos de demostraciones” usando Action Chunking with Transformers.
• Mobile ALOHA (Fu, Zhao y Finn, 2024) usó “50 demostraciones por tarea” y encontró que entrenar junto con datos viejos mejoraba el éxito “hasta en 90%”.
• El modelo π0 de Physical Intelligence (31 de octubre de 2024) dobla ropa sacándola de un cesto, pero se entrenó con datos de ocho tipos distintos de robot más preentrenamiento visión-lenguaje a escala de internet.
• El cuello de botella no es el cómputo ni el código. Son las horas humanas dentro del traje. Esa es la razón real de que los robots domésticos sean tan limitados.

Qué es el aprendizaje por imitación, en concreto

El aprendizaje por imitación es un método de entrenamiento en el que la política de control del robot es una red neuronal entrenada para predecir qué acción tomó una persona, dado lo que ven las cámaras del robot. Se lo muestras. Lo copia. Después generaliza, mal al principio y mejor con más ejemplos.

Compáralo con el método viejo. La robótica clásica escribía código explícito: detecta el borde de la toalla, calcula un punto de agarre, planea una trayectoria, cierra la pinza con 12 newtons. Eso funciona para una puerta de auto en una línea de ensamblaje, donde la puerta está en el mismo lugar siempre. Se cae a pedazos con una toalla arrugada, porque no existe ecuación para “arrugada”. Una toalla tiene infinitas configuraciones posibles y cada una necesita un agarre distinto.

Así que los investigadores le dieron la vuelta al problema. En vez de describir la tarea, describes el comportamiento y dejas que la red encuentre el patrón. La entrada es una pila de imágenes de cámara más la posición actual de las articulaciones. La salida es el siguiente bloque de comandos de articulación. El entrenamiento minimiza la diferencia entre lo que la red predice y lo que la persona hizo de verdad. Eso es todo. Esa es la idea completa.

La versión de la que más vas a oír se llama clonación de comportamiento, y su implementación más conocida es ACT, Action Chunking with Transformers. Zhao, Kumar, Levine y Finn la presentaron en 2023 en “Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware”. El truco está en el nombre: en vez de predecir un comando de motor a la vez, la red predice un bloque completo de acciones futuras. Eso reduce el error acumulado, ese problema donde un error minúsculo en el paso uno se convierte en un desastre en el paso cincuenta. Con bloques, el artículo reporta “80-90% de éxito” en seis tareas difíciles, incluyendo pasar una amarra de cable y meter una batería, a partir de “10 minutos de demostraciones”.

Diez minutos. Quédate con eso. No diez mil horas.

De dónde salen las demostraciones y por qué esa es la parte difícil

Este es el proceso completo, de principio a fin.

Paso 1: una persona hace la tarea instrumentada. A veces con traje de captura de movimiento y visor de realidad virtual. La vacante de Tesla para “operador de recolección de datos” paga “de 25,25 a 48 dólares por hora” y exige caminar más de siete horas al día cargando hasta 30 libras, con un requisito de estatura entre 1,70 y 1,80 metros para coincidir con las proporciones del robot (Fortune, 19 de agosto de 2024). Otras veces es teleoperación: la persona mueve un brazo líder y el brazo seguidor del robot copia, que es como ALOHA y Mobile ALOHA recolectaron sus datos.

Paso 2: todo se graba sincronizado. Imágenes de cámara, ángulos de articulación, estado de la pinza, marcas de tiempo. Un “episodio” es un intento de una tarea. Mobile ALOHA usó “50 demostraciones por tarea” para cosas como saltear camarones, abrir un gabinete de dos puertas para guardar ollas pesadas, llamar un elevador y enjuagar una sartén.

Paso 3: se entrena una red para predecir las siguientes acciones de la persona. Esta es la parte barata. El entrenamiento son horas de GPU, no años.

Paso 4: entrenamiento conjunto con otros datos. Fu, Zhao y Finn encontraron que “entrenar junto con conjuntos de datos estáticos de ALOHA mejora el desempeño en tareas de manipulación móvil”, con mejoras “hasta de 90%”. O sea: datos de un robot distinto haciendo tareas distintas igual ayudan. Eso fue un hallazgo grande.

Paso 5: escalar entre robots. El proyecto Open X-Embodiment (2023) juntó datos de 22 robots distintos y 21 instituciones, cubriendo 160.266 tareas y 527 habilidades, y demostró que un solo modelo entrenado con todo producía “transferencia positiva”: cada robot mejoró gracias a los demás.

Paso 6: agregar un cerebro de visión y lenguaje. π0, publicado el 31 de octubre de 2024, combinó un modelo visión-lenguaje de 3 mil millones de parámetros con control motor y se entrenó con datos de ocho plataformas robóticas distintas. Dobla ropa saliendo de un cesto, limpia mesas, embolsa compras y ensambla cajas de cartón. Los autores son honestos: “las políticas robóticas generalistas todavía están en su infancia”, con frentes abiertos en “razonamiento y planificación de largo plazo, automejora autónoma, resistencia y seguridad”.

Ese cuello de botella del paso 1 es toda la historia. El cómputo es barato y el código es gratis. Las horas humanas dentro del traje no son ni una cosa ni la otra. Por eso un robot doméstico de 2026 dobla toallas bien y nunca en su vida ha buscado un zapato perdido: nadie le pagó a 500 personas para demostrar cómo se busca un zapato.

¿Y en América Latina?

Aquí hay una oportunidad concreta que casi nadie menciona. Los datos de demostración no requieren un doctorado: requieren manos, paciencia y una cámara. Los laboratorios de robótica de la región ya están en esa cancha, desde el Departamento de Ingeniería Eléctrica de la Universidad de Chile hasta los grupos de robótica de la UNAM y del Tec de Monterrey, y el trabajo de recolectar y etiquetar demostraciones es exactamente el tipo de tarea que se puede hacer de forma remota desde Bogotá, Lima o Córdoba.

Lo segundo: si tu hijo quiere entrar a la robótica y no hay un laboratorio cerca, el experimento de las toallas de más abajo funciona igual en cualquier cocina. Y si en su colegio hay un club que arma robots para competencias tipo FIRST o VEX, el concepto de “grabar 20 intentos y ver qué cambia” es la versión gratuita de un pipeline de datos profesional. La brecha con los laboratorios ricos no está en las ideas. Está en las horas grabadas.

Métodos para enseñarle una tarea a un robot: comparación

Método	Cómo aprende el robot	Datos que necesita	Dónde brilla	Dónde falla
Programación clásica	Un ingeniero escribe reglas y trayectorias explícitas	Ninguno (solo horas de ingeniería)	Entornos rígidos y repetibles: soldadura, tomar y colocar	Cualquier cosa deformable o impredecible (toallas, cables, pelo)
Clonación de comportamiento / ACT	La red predice bloques de acciones humanas desde las cámaras	~10 minutos a ~50 demos por tarea (Zhao 2023; Fu 2024)	Manipulación fina con dos manos	Situaciones nuevas fuera de las demostraciones
Teleoperación (en vivo)	Una persona controla el robot en tiempo real	Cero entrenamiento; una persona cada vez	Tareas que el robot nunca ha visto	No escala; cuesta un salario humano por hora
Aprendizaje por refuerzo	El robot prueba, recibe una señal de recompensa, repite	Millones de intentos, casi siempre en simulación	Locomoción, equilibrio, levantarse de caídas	Tareas donde fallar rompe platos o manos
Preentrenamiento entre cuerpos	Un modelo entrenado con datos de muchos robots	22 robots, 527 habilidades (Open X-Embodiment)	Transferencia a robots y tareas nuevas	Sigue necesitando demos específicas para cerrar la tarea
Modelos visión-lenguaje-acción	Preentrenamiento de VLM más demos de robot	Texto e imágenes de internet + datos de 8 robots (π0)	Seguir instrucciones en lenguaje natural	Planes largos de varios pasos; los autores dicen “infancia”

Cómo enseñarle esto a tu hijo

De 5 a 8 años: el juego de la toalla

Dobla una toalla de mano mientras tu hijo mira, tres veces, exactamente igual. Después dale la toalla. Lo va a hacer más o menos bien. Ahora arruga otra toalla hasta hacerla una bola y dásela. Fíjate en cómo duda. Esa duda es el problema de estar fuera de la distribución: aprendió una posición inicial y la nueva no está en sus ejemplos. Después haz tres demostraciones con toallas arrugadas y prueben de nuevo. Va a mejorar. Acabas de correr un experimento de aprendizaje por imitación con la ropa lavada.

De 9 a 12 años: instrucciones de sándwich, dos versiones

Ronda uno: tu hijo escribe las reglas para hacer un sándwich y tú las sigues literalmente y mal (“abre el frasco”: ¿con qué, con los dientes?). Eso es programación clásica, y la comedia es el punto. Ronda dos: tú haces el sándwich tres veces mientras él observa en silencio, y después lo hace él. Pregúntale qué método funcionó mejor y por qué. Luego haz la pregunta de verdad: ¿qué pasaría si el pan viniera cortado distinto cada vez? Ahí descubre que las demostraciones vencen a las reglas en tareas desordenadas, y que hacen falta muchas demostraciones cuando el mundo varía.

De 13 en adelante: armar un conjunto de demostraciones

Pídele a tu adolescente que grabe 20 videos cortos con el celular haciendo una tarea doméstica, variando a propósito las condiciones iniciales: luz distinta, mesa distinta, objeto en otro lugar. Después que registre cada uno en una hoja de cálculo: estado inicial, acciones, estado final, éxito o fracaso. Pídele que estime cuántos videos necesitaría un robot para cubrir todas las variaciones de tu cocina. El número se vuelve absurdo rapidísimo, y ese es el aprendizaje. Mándalo a leer el blog de π0 y el resumen de Open X-Embodiment para ver cómo se ven los conjuntos de datos reales.

La pregunta que debes hacer: “Si el robot solo vio a alguien doblar toallas sobre una mesa de madera, ¿qué pasa la primera vez que lo intente sobre una cama?”

Qué hacer con esto en casa

Nombra el mecanismo en voz alta cuando aparezcan robots en pantalla

Cuando se vuelva viral un video de un humanoide, haz una sola pregunta: ¿esto se aprendió de demostraciones, está guionado, o hay alguien manejándolo a distancia? Tu hijo no lo va a saber, y el video tampoco lo dice. Esa incertidumbre es la lección. En el evento “We, Robot” de Tesla, en octubre de 2024, los Optimus preparaban tragos y conversaban; Bloomberg y otros medios reportaron que estaban operados remotamente, y al menos un video mostró a un robot reconociendo que estaba “asistido por un humano”.

Trata la recolección de datos como una categoría de empleo, no como una nota al pie

El puesto de traje de captura de Tesla es un trabajo real, publicado, por hora. Los puestos de teleoperación también. Si a tu adolescente le interesa la robótica pero no una carrera de cinco años, el proceso de datos de demostración es una puerta de entrada concreta y le enseña el campo desde adentro.

Usa videos de fracasos, no de éxitos

Los videos de logros no enseñan nada. Busquen compilaciones de robots fallando y véanlas juntos, luego pregunta: ¿qué era distinto de los datos de entrenamiento? ¿Mala luz? ¿Objeto muy brillante? ¿Mesa muy alta? Cada fracaso es una demostración que falta, y nombrar el hueco es la habilidad.

Lo que no debes hacer

No le digas a tu hijo que el robot está “pensando”. Está prediciendo el siguiente bloque de posiciones de articulación a partir de píxeles. Eso ya es genuinamente impresionante y no necesita inflarse. Inflarlo lo vuelve peor para juzgar en qué se le puede confiar a la máquina, que es la habilidad que de verdad importa.

Qué observar en los próximos 3 meses

• Semana 4: Tu hijo pregunta “¿y quién le mostró cómo?” cuando ve una demostración de robot. Ese es todo el objetivo de este artículo.
• Señales de alerta del mes 2: Empezó a describir robots como si decidieran o quisieran cosas. Vuelve a “copia lo que vio”. Ojo también con el error opuesto: despreciarlo como “solo copia”, que subestima la generalización.
• Autoevaluación del mes 3: ¿Puede explicar por qué un robot dobla toallas pero no ordena un cuarto? Si sí, entiende el cambio de distribución mejor que la mayoría de los adultos.

Preguntas frecuentes

¿De verdad los robots aprenden mirando a humanos?

Sí, pero “mirar” significa demostraciones grabadas con datos sincronizados de cámara y articulaciones, no observación casual. Una persona hace la tarea con traje de captura o por teleoperación, y una red neuronal se entrena para predecir sus acciones desde la vista de la cámara. Zhao et al. (2023) lograron 80–90% de éxito con 10 minutos de demostraciones.

¿Cuántas demostraciones necesita un robot?

Varía enormemente según la tarea. ACT necesitó unos 10 minutos para tareas finas con dos brazos. Mobile ALOHA usó 50 demostraciones por tarea. π0 combinó preentrenamiento a escala de internet con datos de ocho plataformas. Las tareas simples y repetitivas necesitan menos; las desordenadas, muchas más.

¿Por qué un robot puede doblar ropa pero no limpiar un cuarto completo?

Doblar es una tarea con variación acotada. Limpiar un cuarto son docenas de tareas encadenadas durante varios minutos, lo que requiere lo que los autores de π0 llaman “razonamiento y planificación de largo plazo”, un problema abierto que ellos mismos describen como en su infancia.

¿Es lo mismo que ChatGPT aprendiendo de texto?

La estructura se parece. Los dos predicen lo siguiente a partir de ejemplos, y π0 literalmente arranca de un modelo visión-lenguaje. La diferencia está en la salida: fichas de texto contra comandos de motor, donde una predicción equivocada tira un plato en vez de escribir una frase mala.

¿Puede mi hijo probar aprendizaje por imitación sin un robot?

Sí. El juego de la toalla y el ejercicio del sándwich de más arriba capturan las ideas centrales: las demostraciones vencen a las reglas en tareas desordenadas, y el desempeño se derrumba fuera de las condiciones demostradas. Los dos toman diez minutos y cero hardware.

¿“Operador de recolección de datos” es una carrera real?

Tesla lo publicó abiertamente, a “25,25 a 48 dólares por hora”, exigiendo más de siete horas al día con traje de captura y visor. Es físicamente duro y probablemente transitorio, pero sí, existe hoy y es uno de los pocos empleos de robótica sin requisito de título.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Zhao, T. Z., Kumar, V., Levine, S., & Finn, C. (2023). “Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware.” arXiv:2304.13705. https://arxiv.org/abs/2304.13705
2. Fu, Z., Zhao, T. Z., & Finn, C. (2024). “Mobile ALOHA: Learning Bimanual Mobile Manipulation with Low-Cost Whole-Body Teleoperation.” arXiv:2401.02117. https://arxiv.org/abs/2401.02117
3. Open X-Embodiment Collaboration. (2023). “Open X-Embodiment: Robotic Learning Datasets and RT-X Models.” arXiv:2310.08864. https://arxiv.org/abs/2310.08864
4. Physical Intelligence. (31 oct 2024). “π0: A Vision-Language-Action Flow Model for General Robot Control.” https://www.pi.website/blog/pi0
5. Fortune. (19 ago 2024). “Tesla is hiring workers to wear motion-capture suits to train Optimus.” https://www.fortune.com/2024/08/19/tesla-robot-hiring-workers-optimus-training-ai
6. TechCrunch. (14 oct 2024). “Tesla’s Optimus bots were controlled by humans during the ‘We, Robot’ event.” https://techcrunch.com/2024/10/14/tesla-optimus-bots-were-controlled-by-humans-during-the-we-robot-event
7. O*NET OnLine. (2026). “Robotics Technicians (17-3024.01).” https://www.onetonline.org/link/summary/17-3024.01
8. UNESCO. (abril 2026). “Observatory on Artificial Intelligence in Education for Latin America and the Caribbean.” https://www.unesco.org/en/articles/unesco-launches-observatory-artificial-intelligence-education-latin-america-and-caribbean

Lecturas relacionadas: cómo perciben el ambiente los robots con LIDAR y sensores, robots simples en casa para aprender con materiales y robots humanoides y niños: seguridad, apego y tareas.