Blog / Robótica

Robot de picking con visión artificial e IA: cómo coge lo que nunca ha visto y cuándo compensa

Robótica · Equipo de ingeniería de Shuttlia · Actualizado 19-11-2026
robot picking visión artificial
En 30 segundos

Coger un objeto de una caja revuelta es fácil para una persona y muy difícil para una máquina. Durante décadas los robots solo cogían piezas iguales en posiciones conocidas. Si la pieza cambiaba, había que reprogramar.

La visión 3D y los modelos de IA entrenados con millones de agarres han cambiado eso. Hoy hay robots de picking con visión artificial que cogen artículos que nunca han visto, con tasas de éxito que hace diez años solo existían en laboratorio.

Pero que funcione en una demostración no significa que funcione con tu surtido. En este artículo explicamos cómo trabaja un robot de picking con visión, qué dice la investigación publicada sobre sus tasas de éxito, dónde rinde y dónde no, cómo calcular cuántos robots necesitas, con un ejemplo con supuestos, y qué preguntar al proveedor. Los datos están enlazados a su fuente.

Cómo funciona un robot de picking con visión artificial

El ciclo tiene cuatro pasos que se repiten en uno o dos segundos:

La clave está en el segundo paso. Los sistemas antiguos comparaban la imagen con un modelo 3D de cada pieza. Los actuales aprenden qué zonas de una superficie son buenas para agarrar, sin necesidad de conocer el objeto. Por eso pueden trabajar con surtidos de miles de referencias que cambian cada temporada.

La herramienta sigue siendo decisiva. La mayoría de sistemas logísticos usan vacío porque coge por una sola cara, pero con bolsas, blísteres o artículos sin superficie plana se combinan ventosas y pinzas. Sus criterios de elección los tratamos en Pinzas robot y ventosas: cómo elegir la herramienta de agarre que decide el éxito de la célula.

Qué dice la investigación sobre las tasas de éxito

La investigación publicada ayuda a separar lo posible de lo prometido. Tres trabajos marcan el camino:

En 2016, un equipo de investigación publicó en arXiv un sistema que aprendía a coger objetos a partir de la experiencia. Para entrenarlo recogieron más de 800.000 intentos de agarre durante dos meses, con entre 6 y 14 robots trabajando a la vez. Fue la demostración de que aprender de datos funcionaba, pero también de lo caro que era conseguir esos datos en robots reales.

Dex-Net 2.0, de la Universidad de California en Berkeley, resolvió el problema con datos sintéticos: 6,7 millones de muestras generadas por ordenador. En más de 1.000 pruebas físicas planificó agarres en unos 0,8 segundos, logró un 93 % de éxito con objetos conocidos de geometría difícil y un 99 % de precisión con 40 objetos domésticos nuevos. Conviene leerlo con cuidado: son pruebas de laboratorio, y las cámaras de profundidad tienen dificultades con superficies transparentes o brillantes.

Dex-Net 4.0, publicado en Science Robotics en 2019, entrenó con 5 millones de imágenes sintéticas una política que elige entre ventosa y pinza. En un robot físico vació cajas de hasta 25 objetos nuevos con fiabilidad superior al 95 % y más de 300 cogidas por hora.

Lectura de ingeniero: los mejores resultados de laboratorio rondan el 95 %. Eso significa que, incluso en condiciones controladas, uno de cada veinte intentos puede fallar. En operación hay que diseñar qué pasa con ese fallo.

Dónde rinde y dónde no

Un robot de picking con visión rinde cuando el artículo, el contenedor y el flujo ayudan:

Las aplicaciones típicas son el picking de unidades en e-commerce con muchas referencias pequeñas, la inducción automática a sorters, los puestos de mercancía a persona y la reposición de unidades. El puesto de mercancía a persona, donde la caja llega al robot igual que llegaría a un operario, lo explicamos en Mercancía a persona: cómo funciona, cuándo compensa y cómo se dimensiona.

Y estos son los casos difíciles:

Criterio práctico: clasifica tu surtido en fácil, medio y difícil antes de hablar con proveedores. Si el difícil es un porcentaje grande de las unidades, el robot necesitará un puesto manual al lado.

Robot de picking frente a picking manual y otras opciones

Esta tabla compara el robot de picking con visión con las alternativas más habituales para el picking de unidades.

CriterioPicking manual en estanteríaMercancía a persona con operarioRobot de picking con visión
Variedad de artículosTodaTodaAlta, con excepciones por forma y material
Ritmo sostenidoLimitado por los recorridosAlto, sin recorridosConstante, sin pausas, limitado por el ciclo
FallosErrores de referencia y cantidadErrores bajos con ayudas visualesAgarres fallidos que se reintentan o desvían
TurnosRequiere personal en cada turnoRequiere personal en cada turnoPuede cubrir turnos con supervisión
Requisitos previosPocosSistema de almacén automáticoMercancía a persona o flujo de cajas, datos de artículos
Cuándo encajaVolúmenes bajos o surtido cambianteVolúmenes medios y altosVolúmenes altos, surtido compatible, dificultad de contratación

El robot no sustituye al sistema de almacenaje. Necesita que alguien le traiga la caja: un miniload, un shuttle, AMR o un transportador. Por eso la decisión suele ser en dos tiempos: primero el sistema de mercancía a persona, después robotizar una parte de los puestos.

¿Qué parte de tu surtido podría preparar un robot de picking con visión?

Clasificamos tu surtido y calculamos con tus datos cuántos robots y cuántos puestos manuales necesitas, antes de invertir.

Pide un estudio de robotización

Ejemplo con supuestos: cuántos robots necesitas

Ejemplo con supuestos. Todos los valores son hipotéticos y sirven solo para mostrar el método. En un proyecto real salen de tu histórico de pedidos y de pruebas con tus artículos.

Situación: centro de e-commerce que necesita preparar 6.000 unidades al día en dos turnos de 8 horas.

Supuestos:

Fórmula del rendimiento efectivo: Re = C × p × D

Paso 1. Demanda para el robot: 375 × 0,90 = 337,5 unidades por hora. Las otras 37,5 van al puesto manual.

Paso 2. Rendimiento efectivo: Re = 400 × 0,90 × 0,90 = 324 unidades por hora.

Paso 3. Robots necesarios: 337,5 / 324 = 1,04. Un solo robot va al límite, sin margen para picos. Con dos robots, cada uno trabaja al 52 % y hay holgura.

Paso 4. Prueba de estrés: si con tus artículos reales la tasa de éxito baja al 80 %, Re = 400 × 0,80 × 0,90 = 288 unidades por hora y harían falta 337,5 / 288 = 1,17 robots. Dos robots siguen bastando, pero uno ya no.

La variable que más mueve el resultado es p, la tasa de éxito con tu surtido. Si quieres saber cuántos robots y cuántos puestos manuales necesitas con tus datos, pide tu estudio gratuito y lo calculamos contigo.

Datos que necesita el sistema y cómo se integra

Un robot de picking no trabaja solo. Necesita información y un flujo alrededor:

La integración se hace con el sistema de control del almacén, que reparte el trabajo entre robots y puestos manuales. La diferencia entre WMS, WCS y WES la explicamos en WMS WCS WES: qué decide cada sistema en un almacén automático y cómo repartirlos.

La IA ya no es una rareza en la empresa. Según el INE, el 21,1 % de las empresas españolas de 10 o más empleados usaba inteligencia artificial en el primer trimestre de 2025, y el 13,4 % de las de menos de 10 empleados. En el conjunto de la UE, Eurostat sitúa la cifra en el 20 % en 2025, frente al 13,5 % de 2024. Pero esos datos hablan de IA en general. En picking, lo que importa es la tasa de éxito con tus artículos.

Checklist: qué preguntar al proveedor antes de decidir

Antes de firmar, pide respuesta escrita a estas preguntas:

Las pruebas de aceptación deben medir exactamente esos indicadores. Cómo plantearlas lo explicamos en Prueba de aceptación SAT: cómo comprobar que la instalación cumple.

Cómo lo resolvemos en Shuttlia

En Shuttlia el robot es la última pieza, no la primera. Nuestro método:

Si estás valorando robotizar el picking de unidades, pide tu estudio gratuito y vemos con tus datos qué parte del surtido puede coger un robot.

Conclusión

Un robot de picking con visión artificial ya puede coger artículos que nunca ha visto. La investigación muestra tasas de éxito por encima del 90 %, con los mejores resultados de laboratorio por encima del 95 %. Pero los objetos transparentes, las bolsas flexibles y las cajas apretadas siguen siendo difíciles.

La decisión no depende de la demostración, sino de tres números de tu operación: qué parte del surtido es apta, qué tasa de éxito se mide con tus artículos y qué pasa con los fallos. Con esos números, el cálculo de robots y puestos manuales es directo.

¿Lo aplicamos a tu almacén?

Cuéntanos tus palés, referencias y picos. Te devolvemos sin coste el cuello de botella, la solución que encaja y un rango de inversión.

Pide tu estudio gratuito

Preguntas frecuentes

¿Un robot de picking con visión coge bolsas y blísteres?

Muchos sistemas sí, sobre todo si la bolsa tiene una cara plana y no está muy hinchada. Los artículos transparentes, muy reflectantes o muy flexibles siguen siendo un reto, porque la cámara de profundidad no los ve bien o la ventosa no sella. La única forma de saberlo es probar con tu muestra real.

¿Cuántas unidades por hora prepara?

Depende del artículo, del contenedor y del sistema. La investigación de Dex-Net 4.0 superó las 300 cogidas por hora en laboratorio, pero en operación cuentan la tasa de éxito y la disponibilidad. Pide ciclos por hora y tasa de éxito medidos con tus artículos y calcula el rendimiento efectivo.

¿Hay que entrenar el robot con cada artículo nuevo?

Los sistemas actuales están pensados para coger artículos sin entrenamiento específico, porque aprenden qué superficies son buenas para agarrar. Aun así, conviene que el maestro de artículos indique dimensiones, peso y aptitud, y que el proveedor explique cómo mejora el modelo con los fallos.

¿Qué pasa cuando el robot falla un agarre?

Lo habitual es reintentar en el ciclo siguiente con otro punto de agarre. Si tras varios intentos no lo consigue, el artículo se desvía a un puesto manual o se avisa a un operario. Ese circuito debe estar diseñado y dimensionado desde el principio.

¿Necesito un almacén automático para usar un robot de picking?

El robot necesita que la caja le llegue, así que suele trabajar en un puesto de mercancía a persona alimentado por miniload, shuttle, AMR o transportadores. En operaciones más pequeñas puede trabajar en un puesto de inducción o reposición con alimentación manual, pero el rendimiento depende de ese flujo.

¿Cómo sé si mi surtido es apto para un robot?

Clasifica tus artículos por forma, material, peso y embalaje y cruza esa clasificación con las unidades del histórico. Así sabes qué porcentaje del volumen puede coger un robot. Para hacerlo con método, /#estudio y lo analizamos con tus datos.

Fuentes

Sigue leyendo

célula robotizada
Robótica

Célula robotizada llave en mano: qué incluye, qué no y cómo exigirlo

Qué partes componen una célula robotizada completa, qué suele quedar fuera de la oferta, cómo calcular su capacidad y qué exigir al integrador para que funcione desde el primer día.

ISO 10218
Robótica

ISO 10218: seguridad de robots industriales y colaborativos, qué exige la edición 2025

ISO 10218 explicada para quien compra o integra robots: qué cubre cada parte de la edición 2025, qué debe entregar el integrador, cómo se valida la célula y qué preguntar al proveedor.

descarga automática de contenedores
Robótica

Descarga automática de contenedores y carga de camiones: opciones, cálculo y criterios

Descarga automática de contenedores y carga de camiones explicada por ingenieros: palés frente a cajas a granel, cómo calcular las horas de muelle, qué datos medir y qué preguntar al proveedor.

transportador de palés
Transportadores y sorters

Transportador de palés: rodillos, cadenas, transferencias y cómo dimensionar el circuito

Guía técnica del transportador de palés: rodillos, cadenas, mesas de transferencia, giradores y elevadores, control del palé, cálculo de capacidad y acumulación, seguridad EN 619 y qué preguntar al proveedor.