Daimon Robotics apuesta por los datos táctiles para robots

Una cámara puede ver un conector. No puede decirle a un robot si el conector ha encajado del todo, ni que una bolsa empieza a resbalarse de su agarre. Esa brecha entre lo que ven las máquinas y lo que perciben al contacto es el terreno en el que trabaja Daimon Robotics, que quiere vender las herramientas para cerrarla y no el robot terminado.

El enfoque de la empresa es un flujo de datos. Su socio y vicepresidente de tecnología, el doctor Zhu, explicó a The Robot Report que Daimon «proporciona la infraestructura» para los clientes posteriores y que «no aspira a ser un desarrollador de modelos fundacionales». En la práctica, eso significa sensores táctiles, dispositivos de recogida de datos como su dispositivo Umi para capturar interacciones humanas, herramientas de simulación y modelos de IA, todos diseñados para funcionar juntos. La retroalimentación táctil, en su sistema, funciona a 30 Hz, es decir, 30 lecturas por segundo, lo que necesitan las tareas con mucho contacto cuando una pieza se comporta de forma inesperada.

El cuello de botella son los datos. Las imágenes se capturan fácilmente con cámaras; los datos táctiles dependen de cada contacto físico y cambian según el material, la geometría, las fuerzas aplicadas y la propia tarea. La simulación pretende multiplicar esos datos, pero la distancia entre la física virtual y la real sigue siendo grande, sobre todo en lo que respecta a la fricción y las fuerzas de contacto. La respuesta de Daimon consiste en calibrar sus simulaciones con mediciones reales antes de trasladar los datos recogidos a entornos virtuales. La empresa ha hablado de recopilar más de 10.000 horas de datos, y su iniciativa a más largo plazo, Daimon-Infinity, apunta a más de 1 millón de horas de datos táctiles de inteligencia corporizada. Son objetivos y planes, no un conjunto de datos ya entregado.

Daimon afirma haber dejado atrás las demostraciones. En la conferencia IROS 2026, mostró robots aplicando diseños de transferencia térmica a bolsas de tela, ensartando pulseras, y recogiendo y empaquetando cristales rotos, tareas que, según la empresa, se apoyaban en modelos fundacionales entrenados con datos de varios escenarios. Cita a Lenovo Capital e Inovance Technology como socios clave y dice que trabaja en líneas de montaje industriales y almacenes, sin nombrar a ningún cliente. No existe una verificación independiente de esos despliegues, y la propia empresa plantea como prueba real el rendimiento en producción.

¿Qué cambia, y para quién? Si el enfoque funciona, los fabricantes de robots de montaje y empaquetado podrían comprar capacidad táctil y datos de entrenamiento en lugar de recopilarlos ellos mismos, un paso que importa sobre todo a los desarrolladores más pequeños, que no pueden poner en marcha sus propios programas de datos. Daimon también explora cómo sus datos de interacción humana podrían entrenar modelos para robots humanoides y de doble brazo. Que eso ocurra pronto depende de cuestiones que las fuentes dejan abiertas: cómo funcionan las herramientas fuera de las propias demostraciones de la empresa y si se alcanza la ambición de un millón de horas.