El stack de sensores del robot

Un robot con patas moderno incorpora entre quince y cuarenta canales de sensor distintos, según cómo se cuenten. La foto de marketing muestra dos: la torreta LiDAR de la parte superior y la cámara de profundidad de la cabeza. Los otros treinta y ocho están dentro del torso, en las articulaciones, en los pies y (cada vez más) en los dedos. Son los que marcan la diferencia entre «el robot se puso de pie» y «el robot se puso de pie, supo dónde estaba y decidió qué hacer a continuación».

Este artículo repasa qué lleva realmente un humanoide o un cuadrúpedo de 2026, para qué sirve cada sensor, cuáles son las opciones creíbles en cada gama y la valoración honesta sobre cuáles están sobrevalorados. Los artículos anteriores de esta serie — R01 y R02 — enumeraban los sensores de cada plataforma. Este es la referencia.

Dos mundos: propioceptivo y exteroceptivo

Todo sensor de robot pertenece a una de dos categorías, y la división importa porque ambos mundos tienen presupuestos de latencia, precisión y modos de fallo muy distintos.

Los sensores propioceptivos informan al robot sobre sí mismo: dónde están sus articulaciones, a qué velocidad se mueven, hacia dónde está el suelo, si un pie apoya. Funcionan a frecuencias altas (de 200 Hz a 2 kHz), son deterministas, no toleran el jitter y viven en el bus de control de motores en tiempo real. Si uno solo de ellos miente, el robot se cae en menos de 50 ms.

Los sensores exteroceptivos informan al robot sobre el mundo: cámaras, sensores de profundidad, LiDAR, micrófonos, almohadillas táctiles. Funcionan más despacio (10–60 Hz), son estadísticos (cada píxel de profundidad tiene ruido, cada retorno LiDAR tiene un escalado por reflectividad) y viven en el bus de percepción: Ethernet o USB hacia el procesador de aplicaciones. Si uno falla, el robot deja de moverse, pero no se cae.

Un modelo mental útil: la propiocepción es lo que mantiene al robot en pie. La exterocepción es lo que lo hace útil. No puede cambiar una por la otra.

La IMU: el sensor del que depende todo lo demás

La unidad de medición inercial es el sensor más importante de un robot con patas. Proporciona aceleración en tres ejes y velocidad angular en tres ejes (una IMU de 6 GdL) o eso mismo más magnetómetro (9 GdL). El bucle de control la lee a 1 kHz o más y la utiliza para estimar la orientación del torso, derivar el error de equilibrio y predecir el siguiente medio paso.

Un humanoide de 2026 suele llevar dos IMU (una en el torso y otra en la cabeza), y las plataformas más capaces añaden una por pie. Los cuadrúpedos normalmente llevan una en el cuerpo y deducen el estado del pie a partir del par de la articulación en lugar de una inercial por pie.

El BMI088 es, sin duda, el caballo de batalla. Se diseñó para drones y robótica, el giroscopio está homologado hasta ±2000 °/s de velocidad angular y aguanta el espectro de vibración que genera un humanoide al caminar. El ICM-42688 de TDK es la alternativa que aparece en los montajes guiados por el coste. VectorNav es el salto cuando realmente se necesita rendimiento de rumbo en exteriores, algo que la mayoría de humanoides de interior no necesitan.

La IMU es también lo que permite el ZUPT (actualización de velocidad cero): el truco por el cual, durante la fase de apoyo de un paso, se sabe que el pie está inmóvil, de modo que ese intervalo puede usarse para reiniciar la estimación de velocidad en la cadena SLAM. Sin ZUPT, la deriva de la navegación a estima arruina el VIO y el LIO en cuestión de minutos. Con él, la deriva se reduce en un orden de magnitud. Un robot sin IMU por pie o por pata pierde esta opción, que es una de las razones por las que los humanoides de investigación de gama alta colocan IMU en los pies.

La trampa que conviene evitar: el marketing de la frecuencia de muestreo. Una IMU de 2 kHz con un sesgo de 5 °/h es mucho peor que una de 400 Hz con un sesgo de 0.5 °/h para cualquier tarea de más de diez segundos. Lea la cifra de estabilidad del sesgo, no la frecuencia del titular.

Encóders de articulación: el sentido que la ficha técnica esconde

Cada articulación accionada tiene al menos un encóder. La mayoría de humanoides y cuadrúpedos de producción usan dos por articulación: un encóder absoluto en el eje de salida (por seguridad y arranque) y un encóder incremental en el motor (para realimentación de velocidad de alta resolución). Esta disposición de doble encóder es la diferencia entre un prototipo de investigación y algo que se puede dejar funcionando toda la noche.

Las dos familias dominantes:

• Encóders absolutos magnéticos. AS5048 y sucesores (ams-osram), MT6816, AS5047. Resolución de 14 bits = 16,384 cuentas por revolución = 0.022° de precisión nativa. Tras la linealización por microcontrolador se alcanzan ~0.05°. Sin contacto, sin desgaste mecánico, resisten golpes y vibraciones. El estándar.
• Encóders ópticos. Mayor resolución en la gama alta (20 bits, ~0.0003°), mejores en entornos industriales limpios. Pero llevan un disco de vidrio, necesitan alineación y no se llevan bien con el espectro de vibración de la pata de un robot. Se ven en robótica quirúrgica y de laboratorio de precisión, no en plataformas que caminan.

El compromiso es claro: los encóders magnéticos son la respuesta correcta para patas y la mayoría de brazos; los ópticos aparecen en las articulaciones de muñeca y dedos de manos diestras de gama alta, donde de verdad se necesita ese último decimal.

La deriva de calibración es el modo de fallo del que nadie le avisa. Los encóders son precisos, pero están referenciados a un punto cero fijado en el arranque o en la puesta en marcha. Con el tiempo, la relación mecánica entre el encóder y la articulación se desplaza décimas de grado por ciclos térmicos, desgaste del reductor armónico e impactos. Las implantaciones en producción necesitan un procedimiento de puesta a cero (normalmente trimestral) y un umbral de supervisión que avise cuando la deriva del cero de la articulación supere la especificación. Saltarse esto es la razón por la que un robot perfecto el día de la instalación empieza a dejar caer objetos seis meses después.

Cámaras de profundidad: el caballo de batalla de la percepción

La cámara RGB-D de la cabeza es el sensor exteroceptivo más utilizado en la robótica con patas de 2026. Es suficiente para evitar obstáculos, clasificar el terreno a uno o tres metros, detectar puntos de agarre sobre una mesa y hacer SLAM de corto alcance. Compiten tres tecnologías:

Las dos familias de producto que dominan el mundo de los robots con patas:

Intel RealSense. La D435 y la D435i son la opción heredada por defecto: campo de visión de 87° × 58°, alcance de 0.1–10 m, ~2 % de error de profundidad a 2 m, obturador global en los sensores de profundidad. La D435i añade una IMU de clase Bosch BMI055 integrada en la cámara, lo que simplifica el problema de la sincronización temporal. La D455 duplicó la línea base hasta 95 mm, lo que duplicó el alcance efectivo (error de profundidad <2 % a 4 m), e incorporó la IMU de serie. La D457 es la D455 ruggerizada GMSL2 / FAKRA: misma imagen, conector de grado automoción, carcasa IP65, pensada para robots que de verdad salen del laboratorio. Casi todos los humanoides de investigación de R01 montan una D435i o una D455 en la cabeza; la D457 es la versión que aparece en cuadrúpedos homologados para exteriores.

Orbbec. La alternativa china: Femto Bolt, Femto Mega, Gemini 335 / 336 / 2 XL. La Femto Mega resulta interesante porque integra una Jetson Nano en la propia cámara y usa el sensor ToF de Microsoft (el mismo del Azure Kinect DK, ya que Microsoft abandonó ese mercado). La Gemini 2 XL amplía la profundidad útil hasta 20 m en el extremo largo. Los modelos Orbbec suelen ser entre un 30 y un 50 % más baratos que RealSense con especificaciones equivalentes y se han convertido en la opción por defecto de las plataformas de fabricación china cuando preocupa el riesgo de suministro de componentes Intel. Para robótica puramente de interior son equivalentes; para uso en exteriores y con mucha vibración, el ecosistema RealSense sigue teniendo mejor integración con el piloto automático y con ROS 2.

Una trampa que pilla a los integradores novatos: la interferencia IR entre varias cámaras. Coloque dos cámaras de profundidad de luz estructurada en la misma sala enfrentadas y ambas perderán la profundidad en la zona de solapamiento. Mitigaciones: multiplexar los proyectores en el tiempo (apagar uno por disparo hardware mientras el otro captura) o pasar a estéreo puro (sin proyector activo). Esta es una de las razones por las que las flotas grandes tienden al estéreo pasivo o al ToF.

Cámaras RGB: por qué el tipo de obturador importa más que los megapíxeles

El sensor RGB de la cámara de profundidad suele bastar para lo que es, pero un equipo de manipulación serio añade una cámara RGB independiente para color de alta resolución. La pregunta menos obvia es obturador global frente a obturador rodante.

Un sensor de obturador rodante lee las filas de píxeles de forma secuencial. Si la cámara o la escena se mueven durante la lectura, la imagen se cizalla: una línea vertical se vuelve diagonal, una rueda girando se vuelve un plátano. Para una inspección estática sobre una mesa, no pasa nada. Para un humanoide caminando, cuya cabeza acelera 5 m/s² lateralmente en cada paso, el obturador rodante destruye el emparejamiento de características, rompe la odometría visual y produce una entrada inservible para los VLM.

La regla es sencilla: todo lo que vaya sobre un robot en movimiento necesita obturador global. Los módulos de profundidad de la D435i, la D455 y la D457 son todos de obturador global (el sensor de color de algunas variantes es rodante: lea la hoja de datos). Una cámara RGB independiente de obturador global añade entre 200 € y 600 € al montaje. Ahorrar aquí es uno de los errores de especificación más habituales y más dañinos de quien construye su primer robot.

LiDAR: cuándo se gana el sueldo y cuándo no

El LiDAR es el sensor más sobredimensionado de la robótica de 2026. Es verdaderamente necesario en cuadrúpedos de exterior, en plataformas de SLAM multiestancia y en cualquier unidad que deba ver con fiabilidad más allá de 10 m. Es excesivo en humanoides de manipulación de interior que operan en un volumen de 3 m × 3 m.

Las dos arquitecturas:

• LiDAR mecánico rotativo. Diseño tradicional de espejo giratorio. Mayor coste, mayor número de canales, tecnología madura. Ouster OS0 / OS1 (ahora Rev8 con color nativo, 2026), Hesai XT16 / XT32 / QT128. Las unidades giratorias son piezas de desgaste, pero los rodamientos ya duran más de 30,000 horas.
• LiDAR de estado sólido / semisólido. El híbrido de espejo giratorio de Livox (Mid-360, HAP, Avia) y el estado sólido MEMS puro. Sin pieza giratoria externa, menor coste, a veces con patrones de barrido no uniformes. El Mid-360 se ha convertido en la opción por defecto para robots con patas.

Sensores habituales en el mundo de los robots con patas:

El Livox Mid-360 merece su dominio: es pequeño (menos de 300 g), de bajo consumo (menos de 10 W), tiene una cobertura de 360° suficiente para SLAM y, a $800, resulta lo bastante barato como para montarlo en perros de gama de consumo. Para un humanoide que camina en interiores y necesita cartografiar un edificio, el Mid-360 es la respuesta el 80 % de las veces.

Cuándo importa de verdad el LiDAR:

• SLAM en exteriores o multiestancia, donde el alcance de una cámara de profundidad (5–8 m) no basta.
• Navegación por pasillos largos, donde hay que ver el final del pasillo desde el principio.
• Sol intenso, donde las cámaras de profundidad con proyector IR fallan y solo funcionan el LiDAR o el estéreo pasivo.
• Entornos reflectantes o sin textura (almacenes con suelos pintados, paredes de cristal) donde el estéreo pierde características.

Cuándo el LiDAR está sobrevalorado:

• Manipulación con humanoides en interiores en un espacio de trabajo de menos de 5 m. Un par de D455 hace el trabajo por una décima parte del coste y del peso.
• Demos de «perro de marketing» que nunca salen de una zona pavimentada. El LiDAR está ahí para dar seriedad.
• Salas abarrotadas y con mucha textura. El estéreo es realmente suficiente y el LiDAR duplica el trabajo.

Si puede responder «no» a las cuatro preguntas anteriores de «cuándo importa», no necesita LiDAR. Ahorre esos $800–$8,000 y póngalos en una cámara RGB de obturador global y en una IMU mejor.

Fuerza/par en el efector final: el habilitador de la manipulación

En cuanto un robot intenta hacer algo que no sea recoger bloques rígidos de plástico, la medición de fuerza/par en la muñeca se convierte en el cuello de botella. Un sensor F/P de 6 ejes mide tres componentes de fuerza y tres de par en la unión entre la muñeca y la pinza o la mano, y los entrega al controlador de impedancia que decide con cuánta fuerza empujar, cuándo parar y cuándo algo se ha atascado.

Las unidades de referencia vienen de ATI Industrial Automation (Mini, Nano, Axia, Mini43LP). El Mini43LP es hoy el punto dulce para muñecas de humanoide: menos de 8 mm de alto, 6 ejes, galgas extensométricas semiconductoras, datos en tiempo real a 8 kHz por EtherCAT o Ethernet. El coste se mueve entre $4k y $12k según la configuración, razón por la cual la mayoría de humanoides por debajo de $50k se venden sin medición F/P de serie. El Unitree H1-2 con brazos de manipulación la admite; la base G1, no.

Si su tarea es «llevar una bandeja de tazas», «abrir la puerta de un frigorífico sin arrancar el tirador» o «pasarle una herramienta a una persona», querrá F/P en la muñeca. Si su tarea es «coger un objeto conocido de un sitio conocido», puede simularlo con la realimentación de corriente del motor y prescindir del sensor dedicado.

Sensores táctiles: la frontera real pero inmadura

La detección táctil es la tecnología de la que más presumen las demos de humanoides de 2026 y que las implantaciones de producción de 2026 casi no usan. La tecnología ha madurado lo suficiente para ser útil en investigación; no lo suficiente para ser barata, fiable y de instalar y olvidar.

Las dos familias relevantes:

• GelSight / DIGIT. Sensores táctiles basados en cámara: una almohadilla blanda de elastómero con marcadores, iluminada y filmada desde abajo por una cámara diminuta. Lee la geometría de contacto superficial con resolución submilimétrica y deriva la fuerza cortante y normal del desplazamiento de los marcadores. Nacidos de la investigación del MIT, los comercializó GelSight; la variante DIGIT se desarrolló con Meta AI (Digit 360 anunciado a finales de 2024, contratos SBIR de fase II activos en 2026). Excelentes para geometría fina: textura, bordes, detección de deslizamiento. El coste ronda los $1k–$3k por dedo, más la carga de procesamiento de la cámara.
• Matrices capacitivas y piezorresistivas. Tecnología más antigua, menor resolución, mucho más barata. Se usan en algunas pinzas para un «hay contacto / no hay contacto» burdo. No es realmente detección táctil en el sentido moderno.

Lo que el tacto permite de verdad en un humanoide:

• Detección de deslizamiento. El robot nota que un objeto se le escurre de la mano y aumenta la fuerza antes de que caiga. Es la señal táctil más útil de la investigación actual.
• Discriminación de objetos por textura. Tela frente a cuero frente a metal en la yema del dedo.
• Reconstrucción de geometría. Construir un modelo 3D de un objeto que la mano explora a ciegas.

Lo que el tacto todavía no hace con fiabilidad:

• Sobrevivir al equivalente de un ciclo de lavavajillas de uso robótico. Las almohadillas blandas de gel se desgastan, se cortan y hay que reemplazarlas con una periodicidad parecida a la de las plantas de los pies.
• Funcionar sin GPU dedicada. El tacto basado en cámara es visión por computador en tiempo real; cada sensor añade entre un 10 y un 30 % de carga a una Jetson AGX.
• Estandarizarse. Cada grupo de investigación tiene su propio sabor táctil. Aún no existe un mensaje estándar de ROS 2 para tacto que todo el mundo acepte.

La valoración honesta: el tacto va a importar en la producción de 2027–2028. En 2026, poner GelSight DIGIT en un humanoide de investigación es una capacidad real si se tiene el presupuesto de investigación para ello. Encargarlo para una implantación en producción es prematuro.

Micrófonos, contacto del pie y lo demás

Algunos sensores más que completan el conjunto.

Matrices de micrófonos. Lo estándar es una matriz de 4 micrófonos, a veces 6 u 8 en plataformas premium. Hacen tres trabajos: detección de palabra de activación (a menudo local, en un DSP de bajo consumo), estimación de la dirección de llegada para saber «quién ha dicho eso» y conformación de haz para una transcripción limpia en una sala ruidosa. La dirección de llegada es la función infravalorada: un robot que gira la cabeza hacia quien le habla transmite muchísima más presencia que uno que no lo hace. Los micrófonos individuales valen para asistentes de escritorio y no sirven de nada en un robot a 1.5 m de altura en una sala con tres personas.

Contacto y presión del pie. Dos implementaciones. Las células de carga bajo el pie son la versión explícita, empleada en Spot y ANYmal D. La versión implícita se deriva de la IMU y del par, y se usa en todas las plataformas de Unitree y DeepRobotics: cuando el pie aterriza, el par de la pata se dispara y la IMU del pie ve el impacto, y la máquina de estados de la marcha infiere el contacto a partir de ahí. Las células de carga son más fiables en superficies resbaladizas, donde el par por sí solo es ambiguo; la versión derivada es más barata y suficiente para el 90 % del trabajo.

Encóders de rueda (para híbridos rueda-pie en cuadrúpedos). Los Unitree B2-W y Go2-W añaden una rueda motriz al extremo de cada pata. Cada rueda tiene su propio encóder incremental y la cadena SLAM fusiona la odometría de rueda con la IMU y el LiDAR. La odometría de rueda es la entrada de navegación a estima más barata que existe: cuando está disponible, la solución SLAM es más estable. La contrapartida es un modo de fallo más (las ruedas patinan, se ensucian, fallan), razón por la cual las variantes rueda-pie necesitan un ajuste de la estimación de estado más cuidadoso que sus hermanas caminantes.

Sincronización de sensores: el modo de fallo invisible

Lo que rompe más cadenas de percepción robótica que ninguna otra cosa, y de lo que casi nadie habla hasta que lo sufre, es la sincronización temporal entre sensores.

El problema: una cámara de profundidad produce fotogramas a 30 Hz, la IMU funciona a 1 kHz, el LiDAR a 10 Hz y los encóders de articulación a 1 kHz. Cada sensor tiene su propio reloj y su propia latencia entre el evento y la marca de tiempo. Si esos relojes se desvían, o si las marcas de tiempo son erróneas, la fusión de sensores produce basura y nadie sabe por qué: el robot empieza a alucinar obstáculos o su mapa SLAM se emborrona cada vez que gira.

Tres niveles de solución, por orden de capacidad:

1. NTP por software. Barato, alcanza una precisión de 1–10 ms en una LAN cableada. Suficiente para registro y supervisión de alto nivel. Catastrófico para una fusión de sensores estricta a 1 kHz.
2. IEEE 1588 PTP (Precision Time Protocol). Marcado de tiempo asistido por hardware en la NIC, precisión inferior al microsegundo en una red Ethernet conmutada. Es lo que usan los robots multisensor serios y exige conmutadores y sensores compatibles con PTP. Los LiDAR de Livox admiten PTP. RealSense lo admite vía firmware. La mayoría de las cámaras de profundidad USB baratas, no.
3. Disparo por hardware. Una línea física de pulsos que dispara simultáneamente la cámara, el LiDAR y el muestreo y retención de la IMU. Sincronización de nanosegundos, pero solo funciona con sensores que tengan entrada de disparo externa: normalmente las cámaras y los LiDAR de grado industrial, no las unidades USB de consumo.

Lo que se rompe sin sincronización, por orden de frecuencia con la que ocurre:

• La deriva del VIO se acelera cuando las marcas de tiempo de la IMU y de la cámara difieren en más de 2–5 ms.
• El LIO produce obstáculos fantasma cuando el LiDAR y la IMU no coinciden sobre dónde estaba el robot durante el barrido.
• El agarre basado en VLM elige el punto equivocado cuando el fotograma de profundidad y la lectura del encóder de articulación empleada para colocar la pinza proceden de instantes distintos.

Si va a integrar sensores de más de un fabricante, plantee la cuestión del PTP pronto. El coste de arreglarlo a posteriori suele ser rediseñar el bus de sensores, no un simple retoque.

Carga de cómputo por sensor: qué hace realmente la Jetson

Una Jetson AGX Orin moderna (200 TOPS, 32 GB de RAM) en un humanoide hace más de lo que sugiere la ficha técnica. Un reparto de carga realista en funcionamiento sostenido:

Sumando, la Jetson queda al 60–80 % de forma sostenida, con picos que fuerzan la limitación térmica cuando corre el VLM. No queda prácticamente margen para un segundo modelo grande, que es justo el argumento arquitectónico de I01: el pensamiento pesado se va fuera de la placa porque la Jetson ya está llena.

La detección táctil, cuando se añade, consume otro 10–30 % por pareja de sensores. La medición F/P es prácticamente gratis (va por CPU y a baja frecuencia). El LiDAR es la sorpresa: el preprocesado de la nube de puntos no es barato, y un LiDAR de alta densidad (Hesai QT128, Ouster OS1 de 256 canales) saturará una Jetson Orin Nano antes incluso de que corra el código de percepción. Ajuste la densidad del LiDAR al cómputo, no al marketing.

---

Esto forma parte de la Kentino Wiki, una serie de referencia sobre cómputo de IA, robótica y los sistemas que los conectan. Comentarios y correcciones son bienvenidos en info@kentino.com.