En CES 2026, la conversación sobre robótica ha cambiado silenciosamente. Cada vez menos personas se preguntan si los robots pueden moverse más rápido o empinar objetos más pesados. Muchos se preguntan poco más difícil: ¿por qué los robots siguen luchando fuera de las demostraciones controladas y qué yerro 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 encarar 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 útil profesional diseñada para ayudar a los robots a memorizar de la interacción humana a escalera.

Los robots no son tontos: no tienen experiencia

Los avances recientes en IA han mejorado drásticamente la percepción, la comprensión del lengua y el razonamiento. Pero la interacción física sigue siendo un punto débil. Un androide puede indagar un objeto perfectamente y aun así sentenciar 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 gastado suficientes datos.

Los métodos tradicionales de resumen 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 baratura, pero la brecha entre la física potencial y la existencia a menudo conduce a modelos que funcionan en el laboratorio y fallan en la maña.

Peor aún, muchos sistemas existentes interfieren con el comportamiento que intentan registrar. Los equipos voluminosos restringen el movimiento natural, mientras que la detección limitada pasa por detención la fuerza sutil y las señales táctiles en las que los humanos confiamos instintivamente.

Qué hace verdaderamente un sistema robótico de adquisición de datos

Un sistema de adquisición de datos basado en teleoperación aborda el problema de otra guisa.

Partiendo de los enfoques tradicionales de teleoperación, un sistema de adquisición de datos basado en teleoperación registra datos de interacción en tiempo actual con maduro coherencia en múltiples señales. Un cirujano humano controla de forma remota un androide 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 androide aprende observando y sintiendo cómo un humano hace el trabajo. Cuanto más se acerca esta configuración al comportamiento humano natural, más avíos se vuelven los datos resultantes.

Creado para datos del mundo actual, no para demostraciones

El DM-EXton2 es el primer sistema de teleoperación de feedback háptica del mundo para la adquisición de datos robóticos, diseñado para capturar datos de interacción de inscripción calidad de tareas del mundo actual.

Está diseñado en torno a la capacidad de respuesta y la flexibilidad de implementación en lado de especificaciones portátiles. Al especular 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 descenso latencia durante la resumen de datos.

Igualmente admite la teleoperación de cuerpo completo, incluido el control coordinado de bases móviles y articulaciones de la cintura, ampliando la matiz de tareas que se pueden capturar. Conexo con el escalado de movimiento adaptativo y el cambio rápido de efector final, estas capacidades permiten que un solo sistema admita tanto la manipulación fina como los movimientos de gran radio sin interrumpir el proceso de resumen de datos.

Para adaptarse a diferentes entornos de trabajo, el DM-EXton2 está arreglado en dos configuraciones: una lectura de mochila adecuada para configuraciones de resumen de datos móviles y una lectura montada en soporte diseñada para estaciones de trabajo fijas. Esto permite a los operadores nominar 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 rizo.

Donde más se destaca el DM-EXton2 es en la combinación de feedback de fuerza del flanco del cirujano con detección táctil para la resumen de datos.

El sistema incorpora estas capacidades de fuerza a un entorno de teleoperación más amplio, lo que permite una manipulación más natural y precisa durante la resumen de datos. A medida que el androide interactúa con su entorno, las fuerzas de contacto se devuelven al cirujano en tiempo actual. Tareas como manipular objetos frágiles o realizar inserciones precisas se vuelven más intuitivas, incluso cuando la traza del androide está parcialmente obstruida.

No se alcahuetería sólo de mejorar la experiencia de control del cirujano. A nivel del androide, las señales táctiles y de fuerza se registran conexo con los datos de movimiento, creando conjuntos de datos multimodales que reflejan cómo los humanos interactúan verdaderamente con los objetos. Esos datos son fundamentales para enseñar a los robots no sólo cómo moverse, sino incluso cómo arbitrar el contacto y adaptarse a las limitaciones físicas.

De experimentos aislados al educación repetible

Al sincronizar el movimiento, la fuerza y ​​el tacto, el DM-EXton2 actúa como un puente entre la astucia humana y el educación involuntario. La intuición humana se convierte en datos estructurados de los que los robots pueden memorizar, reutilizar y aplicar en todas las tareas.

Ese cambio importa. En lado de compendiar pequeños conjuntos de datos específicos de tareas, los equipos pueden crear canales continuos para la concepción de datos. Con el tiempo, esto permitirá un entrenamiento de modelos más rápido y una implementación más confiable.

Cerrando el ciclo

El sistema incluso encaja en un cambio más amplio en la forma en que se desarrollan los robots. La resumen de datos, el entrenamiento del maniquí y la implementación ya no son etapas separadas. Forman cada vez más un rizo.

Los datos de interacción de inscripción calidad se incorporan a modelos multimodales, incluidos los marcos de visión, tacto, lengua y entusiasmo, que mejoran el comportamiento del androide. Luego, el uso en el mundo actual genera nuevos datos que perfeccionan el ulterior ciclo de entrenamiento.

Para que ese rizo funcione, los datos deben moverse independientemente. 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 educación de los robots, en lado de construir robots completos. Su trabajo zapatilla sensores táctiles, hardware de manipulación diestra y sistemas de teleoperación diseñados para respaldar la resumen de datos a gran escalera.

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, conexo con el Dr. Jianghua Duan. El equipo combina la investigación académica con la experiencia en la implementación de tecnología robótica más allá del laboratorio.

Interiormente de este enfoque, el DM-EXton2 sirve como un componente esencia de la logística “3D” de Daimon Robotics: dispositivo, datos e implementación. Aprovechando el enfoque a dadivoso 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 educación avanzados, respaldando el progreso con destino a 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 memorizar 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 inscripción calidad como cojín 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.