Daimon Robotics y Galbot han presentado RobOmni en ICRA 2026, un benchmark pensado para medir algo que la robótica empieza a necesitar con urgencia: manipulación física con contacto, tacto y transferencia entre simulación y robot real.
El anuncio no va de un nuevo robot comercial, sino de infraestructura de evaluación. Puede sonar menos vistoso que un humanoide caminando, pero tiene una lectura importante: si los modelos de IA física van a manipular objetos del mundo real, hace falta medir algo más que visión y lenguaje. Hay que saber cómo responden cuando aparece fricción, deformación, presión, agarre imperfecto y contacto sostenido.
Un benchmark para tareas con contacto
Según la nota publicada por Daimon y Galbot, RobOmni combina tres piezas: una suite de simulación omnmodal con sensado táctil, un protocolo de evaluación centrado en tareas de manipulación con contacto y una tubería de validación sim-to-real. El objetivo es que los sistemas no se evalúen solo por lo que ven, sino por cómo interactúan físicamente.
El punto de partida es claro. Buena parte de la robótica reciente se ha apoyado en modelos de visión-lenguaje-acción y en grandes datasets visuales. Eso ha permitido avances rápidos en instrucciones, reconocimiento de objetos y control general. Pero tocar no es mirar. Coger una pieza blanda, insertar un objeto, ajustar presión o manipular algo que se mueve bajo los dedos exige información distinta.
RobOmni intenta poner orden en ese terreno. El benchmark incluye sensores táctiles de alta resolución, visión de muñeca, estado del gripper, descripciones de tarea y cámaras externas. Esa mezcla permite comparar políticas en tareas donde el contacto cambia el resultado, no solo en escenas donde basta con localizar el objeto y mover una pinza hasta una pose aproximada.
Isaac Sim, datos reales y validación comparable
La base de simulación se apoya en NVIDIA Isaac Sim, una elección lógica para un benchmark que quiere unir escenarios reproducibles con transferencia al robot real. La promesa no es que la simulación sustituya a la realidad, sino que sirva para entrenar, medir y depurar de forma controlada antes de llevar las políticas a hardware.
Ahí aparece la parte más útil del anuncio: RobOmni busca ser comparable y extensible. En robótica, una demo aislada puede esconder muchas decisiones no visibles: escena preparada, objetos elegidos a mano, calibración manual o intervención humana fuera de cámara. Un protocolo compartido reduce esa ambigüedad. No elimina el marketing, pero obliga a especificar tareas, entradas sensoriales, métricas y condiciones.
Daimon aporta la capa de percepción táctil y manipulación diestra. La compañía ya había presentado Daimon-Infinity, un dataset omnmodal para IA física con sensado táctil de alta resolución. Galbot, por su parte, entra por el lado de modelos de base embebidos, aprendizaje de políticas de manipulación y generalización robótica. El encaje tiene sentido: una parte mide y captura contacto; la otra necesita evaluar si sus modelos generalizan cuando ese contacto importa.
Por qué importa más allá del laboratorio
El valor de RobOmni dependerá de si la comunidad lo usa de forma amplia. Un benchmark cerrado por dos empresas sirve como demostración técnica; un benchmark adoptado por laboratorios, fabricantes y equipos de modelos puede convertirse en referencia. Esa es la diferencia entre medir capacidades internas y crear una unidad de comparación aceptada.
También conviene no exagerar. Un benchmark no resuelve la manipulación física. Las métricas pueden incentivar comportamientos estrechos, las simulaciones siempre simplifican y el rendimiento en una suite de tareas no garantiza robustez en una fábrica, una cocina o una casa. Pero sí ayuda a formular mejor las preguntas. En vez de preguntar si un robot “sabe agarrar”, se puede preguntar bajo qué sensores, con qué objetos, en qué tolerancias y con qué tasa de éxito.
La robótica está entrando en una fase donde la espectacularidad empieza a perder valor si no viene acompañada de medición. Los sistemas de IA física prometen cada vez más autonomía, pero para desplegarlos hacen falta estándares de evaluación que separen una política útil de una demo bien editada. RobOmni apunta justo a ese hueco: poner el tacto y el contacto en el centro de la medición.
Si Daimon y Galbot consiguen que el benchmark sea reproducible y abierto a más cuerpos robóticos, el resultado puede ser más importante que el propio anuncio. La manipulación no avanzará solo con mejores manos o mejores modelos; avanzará cuando el sector pueda comparar de forma seria qué sistema entiende el mundo físico y cuál solo parece entenderlo.