El humanoide v0.9 del KAIST empuja 35 kg y levanta 20 kg mientras camina, guiado por sus cámaras a bordo
El laboratorio DRCD del KAIST publicó un vídeo del Humanoid v0.9 empujando objetos de 35 kg y levantando 20 kg mientras camina, usando la realimentación de sus cámaras a bordo en lugar de captura de movimiento externa. El laboratorio atribuye las habilidades de interacción al aprendizaje por refuerzo profundo y al aprendizaje de demostraciones humanas.
El Laboratorio de Control y Diseño Dinámico de Robots (DRCD) del KAIST publicó el 19 de octubre un vídeo titulado Whole-Body Locomanipulation with KAIST Humanoid v0.9, en el que la máquina empuja objetos de hasta 35 kg y levanta hasta 20 kg mientras camina, usando la realimentación de sus cámaras a bordo para colocar las letras K-A-I-S-T. Los brazos son de un colaborador, RAILAB.
La cifra pequeña es la que merece atención. Mover un objeto de 35 kg sobre una superficie nunca obliga al robot a sostener su peso, y la resistencia depende del contacto; un levantamiento de 20 kg sí es una prueba distinta de lo que pueden sostener los brazos. Citar la cifra de empuje como carga útil exagera la máquina, y citar cualquiera de las dos como prestación es prematuro, porque el laboratorio presenta ambas como demostraciones y no como especificación comercial.
Equilibrio y fuerza son ya el mismo problema
La locomanipulación de cuerpo completo significa que piernas, torso y brazos se coordinan ante una única restricción de equilibrio: empujar con los brazos desplaza el centro de masas, así que las piernas tienen que responder por ello. Por eso una demostración de empuje sigue siendo útil aunque no sea una prueba de carga. La plataforma v0.9 parte de la v0.7, una máquina de 75 kg y 165 cm que corría a 12 km/h y caminaba por terreno irregular solo con sensórica propioceptiva, y cuyas demos de moonwalk y de fútbol circularon a principios de 2026.
La afirmación de autonomía necesita un límite
El KAIST dice que las habilidades de interacción provienen del aprendizaje por refuerzo profundo junto con el aprendizaje a partir de demostraciones humanas. La descripción del vídeo no detalla cómo se combinan ambos métodos ni cómo se ordena una tarea, así que la realimentación visual a bordo no debería leerse por sí sola como autonomía sin restricciones. Tech Times presenta el empuje de 35 kg como aproximadamente el doble del mejor resultado publicado de un humanoide que manipula con visión a bordo, una comparación que conviene mantener al nivel de las cifras publicadas.
Lo que cambia el v0.9 es que una plataforma de investigación conocida por caminar con agilidad ahora hace trabajo físico guiado por visión sin equipo de captura de movimiento. Si eso se sostiene es una pregunta para tareas repetidas en una planta, el paso que ningún vídeo de demostración resuelve.
Fuentes Fuentes verificadas
- 1.Humanoids Daily: From Moonwalking to Heavy Lifting: KAIST Humanoid v0.9 Moves 35 kg Objects (Oct 19, 2026)humanoidsdaily.com
- 2.Tech Times: KAIST Humanoid Pushes Objects Up to 77 Lbs While Walking, No External Cameras (Oct 20, 2026)techtimes.com
- 3.Gadget Review: KAIST Humanoid v0.9 Robot Pushes 77 Pounds and Lifts 44 While Walkinggadgetreview.com
Análisis relacionados
Más en IA corporizada y modelos fundacionalesLindon Gao, de Dyna, dice que un flujo de trabajo que funcione equivale a todos y ha movido el gasto hacia el preentrenamiento
El fundador y CEO de Dyna Robotics, Lindon Gao, dijo a Zhang Xiaojun en el episodio 154 del pódcast 商业访谈录 (Entrevistas de negocios) que el preentrenamiento consume ahora muchos más recursos de la empresa que el postentrenamiento, cuando antes iban a la mitad. La publicación de Dyna del 29 de septiembre sobre Dyna-2.1 dice que un ciclo de lavandería encadena unos 79 pasos y que, con un 95 % por paso, casi nunca termina sin ayuda, y la máquina que presentó, Taku, completó un flujo de lavandería autónomo de una hora sin cortes.
Gemini 4 Argon logra un 87% en razonamiento encarnado, pero tarda 52 minutos por tarea con un brazo real
Google puso Gemini 4 Argon a disposición global el 13 de octubre y agrupó sus usos robóticos en control del robot, Real2Sim, comprensión física e investigación y automejora. AA-Robotics v0.1, de Artificial Analysis, puntuó a Argon con 55,3 sobre 100 al pilotar un brazo real en ocho tareas de mesa, unas 100 veces más lento que una persona, mientras Physical Intelligence abrió ese mismo día una beta de API para afinar sus modelos π0 y π0.5 sobre la infraestructura de Pi.
LoopWAM gana 19.7 puntos en robots reales al reentrenar con sus propios rollouts etiquetados
LoopWAM es un modelo de mundo-acción en bucle cerrado de la Universidad de Tsinghua, Dexmal y Loopeva que puntúa cada rollout por calidad y da a las trayectorias fallidas supervisión de vídeo pero ninguna de acción. Ocupa el primer puesto en el Table30-V2 de RoboChallenge con 43.33% de éxito, 2.67 puntos sobre la entrada VLA-DM0.5 de su propia tabla y 0.33 puntos sobre el 43.0% que Dexmal publica para DM0.5.
Newsletter
Robrief Weekly
Un correo por semana con las noticias de robótica que importan. Gratis, cancela cuando quieras.