La mayoría de las pequeñas industrias no pueden automatizarse —no porque falten robots, sino porque programarlos exige ingenieros especialistas que no pueden permitirse. La startup checa RoboTwin ataca ese cuello de botella directamente: usa un dispositivo sensor de mano y software sin código para que los trabajadores enseñen a robots industriales mediante demostración física, con un tiempo de configuración típico de menos de un minuto.
- ¿Qué es el sistema de entrenamiento por demostración de RoboTwin?
- ¿Cómo se compara el aprendizaje por imitación con la teleoperación y la simulación?
- ¿A qué industrias y casos de uso se dirige RoboTwin?
- ¿Qué financiación impulsa la expansión de RoboTwin?
- Qué significa esto para los compradores de automatización de planta
- Preguntas frecuentes
¿Qué es el sistema de entrenamiento por demostración de RoboTwin?
El producto central de RoboTwin es un dispositivo sensor de mano que registra los movimientos físicos de un operario durante una tarea —por ejemplo, pintar con spray una pieza metálica— y convierte esa captura de movimiento en un programa reutilizable para el robot. No se escribe código. Todo el proceso suele completarse en alrededor de un minuto.
Fundada en Praga en 2021 por la ingeniera mecánica Megi Mejdrechová junto a Ladislav Dvořák y David Polák, RoboTwin apunta a la brecha concreta entre “existen robots” y “podemos desplegarlos de verdad”. La CTO, Mejdrechová, desarrolló la tecnología base durante investigaciones en robótica que combinaban IA y visión por computador, y luego la comercializó específicamente para las PYMEs europeas.
"El robot básicamente copia la demostración humana", explicó Mejdrechová a Robohub. "Personas sin conocimientos de programación pueden transferir su know‑how y experiencia a los robots."
Lo técnicamente relevante es la gestión del movimiento implícito —los pequeños ajustes y gestos instintivos que los operarios hacen y que son notoriamente difíciles de especificar con la programación convencional. Programar robots de forma tradicional exige a un ingeniero definir explícitamente cada waypoint y parámetro. El sistema de RoboTwin captura esas microcorrecciones automáticamente, embebidas en la propia demostración.
El sistema es compatible con una gama de robots industriales, incluidos los robots colaborativos (cobots): máquinas diseñadas con sensores de fuerza que detienen el movimiento cuando una persona entra en su zona de trabajo. Esto las hace viables en entornos mixtos humano‑robot donde no es práctico un cerramiento completo.
¿Cómo se compara el aprendizaje por imitación con la teleoperación y la simulación?
El enfoque de RoboTwin —aprendizaje por demostración (LfD), también llamado aprendizaje por imitación— es uno de los tres métodos dominantes para enseñar tareas a robots sin programación tradicional. Cada uno tiene compensaciones relevantes.
| Método | Tiempo de configuración | Se requiere especialista | Generalización | Coste de hardware |
|---|---|---|---|---|
| Aprendizaje por imitación (RoboTwin) | ~1 minuto | No | Bajo‑medio | Bajo (dispositivo de mano) |
| Teleoperación | Minutos–horas | Moderado | Medio | Medio‑alto (sistemas hápticos) |
| Simulación + aprendizaje por refuerzo | Días–semanas | Sí (ingenieros ML) | Alto | Alto (cómputo + licencias de simulación) |
| Programación tradicional | Horas–días | Sí (programadores de robots) | Bajo | Bajo (solo software) |
La teleoperación —donde un humano controla el robot a distancia en tiempo real para generar datos de entrenamiento— es la opción preferida actualmente por desarrolladores de robots humanoides como Figure AI y Physical Intelligence (π0). Produce demostraciones de alta calidad, pero requiere hardware dedicado y un operador cualificado. Además, no escala con facilidad a los trabajadores de planta que no están habituados a interfaces de control robótico.
El entrenamiento basado en simulación, combinado con RL, ofrece la mejor generalización frente a distintas formas de objetos y entornos, pero exige experiencia en ML, recursos de cálculo elevados y un cuidadoso sim‑to‑real para evitar brechas de rendimiento al pasar del mundo virtual al físico.
El enfoque de RoboTwin queda en un punto intermedio práctico: rápido, accesible y suficiente para tareas industriales estructuradas —particularmente procesos de tratamiento de superficies donde las trayectorias son repetibles y el entorno está controlado. Su hoja de ruta a corto plazo también apunta a una operación híbrida: usar datos acumulados de demostraciones y geometría de objetos para generar programas automáticamente sin requerir una nueva demostración por cada variante de producto.
¿A qué industrias y casos de uso se dirige RoboTwin?
RoboTwin ha apostado deliberadamente por el sector del tratamiento de superficies —pintura en polvo, spray, pulido— porque combina una fuerte demanda de automatización con una escasez crónica de mano de obra.
Según Robohub, solo la industria automotriz añadió aproximadamente 23.000 nuevos robots a las líneas de producción en 2024. Los grandes OEM impulsan ese volumen. Los proveedores de tratamiento de superficies que alimentan esas fábricas —normalmente PYMEs que manejan series pequeñas y piezas variadas— han quedado en gran medida fuera, sin recursos de programación que justifiquen la automatización.
RoboTwin ya se ha desplegado con varios clientes en este ámbito:
- RobPainting (Países Bajos) —especializada en pintura robótica para PYMEs, usa el dispositivo de RoboTwin para enseñar trayectorias de spray precisas según geometrías de producto
- Surfin Technology (Czech Republic) —proveedor de soluciones robóticas de recubrimiento
- Innovative Finishing Solutions (Canada) —socio canal en América del Norte que amplía el alcance geográfico de la tecnología
El caso de uso de recubrimiento y pintado encaja técnicamente con el aprendizaje por imitación. A diferencia de tareas de pick‑and‑place —donde la variabilidad en la posición del objeto exige percepción robusta— la pintura sigue trayectorias espaciales que los operarios han perfeccionado con la experiencia. Capturar esa fidelidad de trayectoria por demostración, incluyendo la distancia aprendida a la superficie y los ajustes de velocidad, es precisamente lo que LfD maneja bien.
Los clientes indican que la mayoría de los programas de robot ahora pueden crearse sin parar la línea de producción —una ventaja operativa significativa para fabricantes de lotes pequeños que no se pueden permitir largos tiempos de inactividad.
¿Qué financiación impulsa la expansión de RoboTwin?
RoboTwin consiguió una subvención de €2,3 millones del European Innovation Council (EIC) en 2025, que financiará el desarrollo de la siguiente generación de producto y la expansión a mercados como Europa Central, Países Bajos, México y Canadá.
Apoyos anteriores vinieron de Women TechEU, un programa de la UE que respalda startups deep‑tech lideradas por mujeres. La visibilidad en la Horizon Results Platform —un escaparate de resultados de investigación financiada por la UE— facilitó la participación en la iniciativa Empowering Start‑ups and SMEs de la UE y una presencia patrocinada en Hannover Messe 2025, una de las ferias de tecnología industrial más grandes del mundo.
Mejdrechová fue incluida en la lista Forbes Czechia 30 Under 30 en 2025, un reconocimiento que refleja tanto su contribución técnica como la tracción comercial que RoboTwin ha conseguido en poco tiempo.
La siguiente fase de desarrollo avanzará hacia la creación generativa de programas —usar datos geométricos de la pieza, combinados con una biblioteca de demostraciones previas, para producir trayectorias de robot de forma automática. Esto reduciría de manera sustancial el número de demostraciones en vivo necesarias por producto y ampliaría la viabilidad en escenarios de fabricación de alta variedad y bajo volumen.
Qué significa esto para los compradores de automatización de planta
Para las PYMEs que hoy quedan fuera del alcance de la automatización por coste, RoboTwin representa una estructura de coste realmente distinta. La barrera nunca han sido solo los robots como hardware: ha sido el coste total de la puesta en marcha, que incluye mano de obra de programación, ingeniería de integración y la reprogramación continua conforme cambian los productos.
El sistema sin código de aprendizaje por imitación ataca directamente el problema de la reprogramación. Si una nueva variante de producto requiere una nueva trayectoria, un trabajador formado —no un ingeniero externo— la gestiona en menos de un minuto. Para fábricas que manejan decenas o cientos de variantes al mes, el ahorro temporal acumulado es sustancial.
Dónde encaja mejor: - Operaciones de tratamiento de superficies de alta variedad y bajo volumen - Entornos donde los operarios ya poseen la pericia tácita que el robot debe heredar - PYMEs sin capacidad interna de programación de robots - Aplicaciones con trayectorias repetibles y variación ambiental limitada
Dónde encaja menos: - Entornos no estructurados que requieren percepción adaptativa - Tareas que exigen retroalimentación de fuerza con precisión superior a la que captura la captura de movimiento - Requisitos de alta generalización entre clases de objetos muy distintas
Si evalúas robots colaborativos para tratamiento de superficies o automatización ligera, consulta los cobots disponibles en Botmarket para comparar plataformas compatibles con enfoques de programación por demostración. Para aplicaciones con robots industriales más pesados en pintura o recubrimiento, los robots industriales usados en Botmarket ofrecen puntos de entrada que reducen la inversión de capital mientras la capa de software de RoboTwin resuelve el reto de la programación.
Preguntas frecuentes
¿Cuánto tarda en entrenarse un robot con el sistema de RoboTwin?
Un programa típico de robot puede crearse en aproximadamente un minuto usando el dispositivo sensor de mano de RoboTwin. El operario realiza la tarea objetivo una vez, el sistema graba el movimiento y el programa convertido está listo para desplegar —sin escribir código ni detener la línea de producción.
¿Qué tipos de robots son compatibles con la tecnología de RoboTwin?
RoboTwin es compatible con una gama de robots industriales, incluidos manipuladores estándar, robots dedicados a pintura y robots colaborativos (cobots). Los cobots son especialmente adecuados para entornos mixtos humano‑robot porque sus sistemas de detección de fuerza paran el movimiento automáticamente cuando una persona entra en la zona operativa.
¿En qué se diferencia el aprendizaje por imitación de la teleoperación para el entrenamiento de robots?
El aprendizaje por imitación captura el movimiento de un humano que realiza la tarea directamente, usando un dispositivo sensor de mano, sin requerir un operador especialista. La teleoperación implica que un humano controle el robot de forma remota y en tiempo real para generar datos de entrenamiento —suele producir demostraciones de mayor calidad pero requiere más hardware y habilidad técnica para operar.
¿Qué persigue la próxima fase de desarrollo de RoboTwin?
Con la subvención de €2,3 millones del EIC en 2025, RoboTwin desarrolla un sistema capaz de generar programas de robot automáticamente a partir de la geometría de una pieza y datos de demostraciones almacenadas —reduciendo la dependencia de demostraciones en vivo para cada nueva variante de producto. Esto ampliaría considerablemente la viabilidad de la tecnología en fabricación de alta variedad.
¿Qué industrias y regiones atiende actualmente RoboTwin?
RoboTwin sirve principalmente al sector del tratamiento de superficies —pintura en polvo, pintado por spray y pulido— en Europa Central, Países Bajos, Canadá y México. Entre sus clientes figuran RobPainting en Países Bajos, Surfin Technology en Czech Republic e Innovative Finishing Solutions en Canada.
¿Es RoboTwin adecuado para fabricantes sin experiencia en robótica?
Sí. Ese es el objetivo explícito del diseño. El sistema sin código permite a trabajadores con pericia en la tarea, pero sin formación en robótica o programación, crear y desplegar programas de robot. La misión declarada de la compañía es convertir el entrenamiento de robots en algo que cualquier operario pueda realizar de forma independiente.
El avance comercial de RoboTwin demuestra que el aprendizaje por imitación está saliendo de los artículos académicos y entrando en las plantas de producción —especialmente en el segmento de PYMEs desatendido que los grandes proveedores de automatización han ignorado históricamente. La combinación de un bucle de entrenamiento de un minuto, compatibilidad con hardware robot existente y una hoja de ruta hacia la generación automática de programas basada en geometría sitúa a la compañía en el límite práctico de lo que la automatización sin código puede ofrecer hoy.
Únete a la discusión
What's actually blocking your first cobot deployment — hardware cost, or the programming problem?