Un operario que va a montar un coche necesita encontrar el soporte metálico correcto en el lugar previsto de su bandeja. Alguien tiene que sacarlo antes de un contenedor con piezas mezcladas y dejarlo en ese hueco. Esa tarea previa al montaje es la que Mercedes-Benz, Apptronik y Google DeepMind han puesto en manos de Apollo 2, un humanoide que ve las piezas, las agarra y las ordena.
DeepMind presentó el 10 de noviembre Gemini Robotics 2.5, el modelo que controla las manos y los brazos del robot en la prueba. Según Google, Apollo obtuvo un 96 % de éxito en esa operación, ensayada en líneas de producción activas de Kecskemét, en Hungría, y Sindelfingen, en Alemania. El porcentaje pertenece a la preparación de piezas en este piloto. La compañía no indica en su anuncio cuántos intentos contó ni cuánto costó cada operación.
Una mano tiene que agarrar. Otra parte del sistema debe recordar qué falta
La industria lleva décadas utilizando robots para colocar piezas. Aquí interesa lo que ocurre antes de ejecutar el movimiento. Varias unidades pueden estar sueltas en un mismo cajón, en posiciones diferentes. Apollo debe reconocer un soporte accesible, agarrarlo por una zona que permita levantarlo y dejarlo en el recipiente de secuenciación. Si queda un hueco pendiente, tiene que tenerlo en cuenta antes de dar por terminada la tarea.
Para repartir ese trabajo, DeepMind explica que utiliza dos modelos. Gemini Robotics ER lleva la cuenta de la secuencia y Gemini Robotics 2.5 convierte la información visual y las instrucciones en acciones de brazos y manos. La distinción importa: sujetar una pieza sin que se caiga es un problema diferente de colocar el conjunto de piezas en el orden que necesita el siguiente operario.
El piloto tiene una historia anterior. En marzo de 2025, Mercedes-Benz ya describía cómo sus empleados enseñaban tareas a Apollo mediante teleoperación y planteaba dar el salto hacia operaciones autónomas. La novedad de noviembre es disponer de un resultado concreto con Apollo 2 y el nuevo modelo en instalaciones de dos países. Quedan por conocer el ritmo sostenido de preparación, la frecuencia de las intervenciones humanas y el coste frente a otros sistemas que ya se usan en las fábricas.
Por qué Google enseña también unas pinzas de cocina y un lazo
Para comprobar si el sistema podía adaptarse a más de un gesto repetitivo, el laboratorio lo evaluó en unas 200 tareas distintas. Entre ellas figuran servir comida con pinzas, hacer un lazo en un regalo y pipetear un líquido. La cinta del regalo, por ejemplo, cambia de forma en cuanto la mano tira de ella. Seguir una trayectoria idéntica cada vez resulta menos útil que corregir el movimiento a partir de lo que las cámaras ven en ese momento.
Las pruebas también abarcan cuerpos distintos. Apollo 2 llevaba una mano de cinco dedos con 22 grados de libertad, mientras que Franka Duo trabajaba con pinzas paralelas de dos dedos. Según DeepMind, frente a sus referencias anteriores, la tasa de éxito mejoró entre un 30 % y un 100 % en función del tipo de tarea, y las ejecuciones fueron entre un 20 % y un 30 % más rápidas. Son variaciones relativas que agrupan situaciones diferentes. El 96 % de Mercedes corresponde a otra medida y a un encargo delimitado.
Lo que puede ensayarse antes de llegar a una línea de coches
Con Gemini 4 Argon, los investigadores generaron variaciones simuladas de una escena captada por una cámara real. Combinarlas con demostraciones físicas permite practicar cambios en la colocación de los objetos sin tener que repetir manualmente cada disposición. El contacto con material auténtico sigue aportando algo que una imagen no resuelve por sí sola: cómo responde una pieza al apretarla, levantarla o soltarla.
Esa diferencia también aparece cuando una persona mete la mano en la zona de trabajo. DeepMind incorporó una guía de razonamiento durante la ejecución y comunica mejoras en sus pruebas con personas y obstáculos próximos. El resultado de laboratorio sirve para comparar versiones. Para valorar una instalación industrial concreta hacen falta sus condiciones de uso y sus medidas de seguridad.
El despliegue anunciado de Gemini Robotics 2.5 empieza entre los socios de robótica de Google. La página de la familia de modelos distingue las herramientas de razonamiento de los modelos que controlan físicamente un robot. Para quien siga la incorporación de humanoides a las fábricas, la siguiente cifra que interesa junto a ese 96 % es cuántas bandejas completas pueden preparar durante un turno normal y qué sucede cuando una pieza se les resiste.