7. Perfiles profesionales

Tras las tecnologías y módulos, veamos cómo se combinan en el trabajo: algoritmos de decisión, control, percepción y navegación, ingeniería y plataformas, y hardware. Cada perfil describe tareas, tecnologías y preparación.

Las sugerencias de entrevista se basan en las competencias del perfil. Revisa en cada oferta la profundidad de investigación, el alcance de ingeniería y la experiencia requerida.

7.1 Algoritmos del «cerebro»

Ingeniería de modelos fundacionales y VLA

Responsabilidades: convertir visión, lenguaje y estado en acciones mediante diseño de arquitecturas, preentrenamiento, ajuste, mezcla de datos, entrenamiento entre cuerpos y postentrenamiento por refuerzo. Investigación enfatiza métodos y generalización; aplicación incluye hardware y evaluación.

Tecnologías: multimodalidad, Transformers, imitación, refuerzo, PyTorch/JAX, FSDP/DeepSpeed; acciones como tokens, difusión o flow matching. OpenVLA, RDT y π0 muestran diseños diferentes.

Entrevistas: domina uno o dos modelos, sus entradas, acciones, objetivos de entrenamiento e inferencia. Analiza memoria, comunicación y rendimiento multi-GPU; explica mezcla de datos, normalización, particiones de evaluación y fallos en hardware. Para postentrenamiento RL, relaciona recompensas, valores, datos de interacción y actualización de políticas. Reproducciones, experimentos y despliegues aportan evidencia.

Ruta: modelos fundacionales · π₀.₅ + RECAP.

Ingeniería de manipulación

Responsabilidades: agarre, transporte, montaje y tareas cotidianas con brazos y manos, gestionando variación, oclusión, contacto y recuperación mediante geometría, planificación, políticas y control.

Tecnologías: GraspNet/AnyGrasp, pose 6D, MoveIt 2, colisiones, ACT, Diffusion Policy, control de impedancia y fuerza y adaptación de movimientos a manos robóticas.

Entrevistas: transformaciones, cinemática directa e inversa, trayectorias, contacto, efecto de las demostraciones y bloques de acciones en lazo cerrado. Explica una tarea y cómo identificaste y corregiste fallos de percepción, alcance, planificación, política o control.

Montaje industrial, logística y servicio tienen requisitos distintos de precisión, flexibilidad y generalización. La oferta de manipulación de FieldAI ejemplifica su combinación con coordinación corporal.

Ruta: manipulación · ACT bimanual.

7.2 Algoritmos del «cerebelo»

Ingeniería de control del movimiento

Responsabilidades: equilibrio, seguimiento de velocidad, terrenos variados y coordinación corporal en cuadrúpedos, bípedos y humanoides. Distingue dos enfoques:

Dirección	Trabajo	Tecnologías
Locomoción aprendida / RL	Políticas, recompensas, currículos y transferencia al hardware	Isaac Lab, MuJoCo, PPO, aleatorización, imitación de movimiento y retargeting
Control basado en modelos	Dinámica y señales bajo restricciones de contacto y actuadores	MPC, WBC, optimización, Pinocchio, OCS2, CasADi

Entrevistas: en RL, PPO, estimación de ventajas, recompensas, estabilidad y efectos de retardo, ruido y actuadores en sim-to-real. En modelos, deriva cinemática, dinámica y restricciones de contacto y explica optimización y fallos del solver. Ambos requieren frecuencias, tiempo real, C++ en hardware y depuración con registros.

Los enfoques pueden combinarse. La oferta de locomoción de FieldAI abarca entrenamiento, imitación, aleatorización y validación real.

Ruta: control del movimiento · MicroDuck RL.

7.3 Percepción y navegación

Ingeniería de navegación y SLAM

Responsabilidades: cartografía, localización, estimación, planificación global y local, evitación de obstáculos y recuperación.

Tecnologías: FAST-LIO, LIO-SAM, ORB-SLAM3, VINS, filtrado, optimización de grafos, ROS 2, tf2 y Nav2. VLN y navegación semántica añaden lenguaje, mapas semánticos y evaluación adecuada.

Entrevistas: calibración, referencias, sincronización, errores IMU, cierre de bucle, relocalización y relación entre planificación global y local. Prepara reproducción de registros y diagnóstico de deriva, degeneración, obstáculos dinámicos y pasos estrechos.

Hay solapamiento con conducción autónoma, AMR y robots domésticos, pero cambian sensores, velocidades y restricciones. La oferta de calibración, localización y cartografía de FieldAI ilustra sistemas multisensor.

Ruta: navegación.

Ingeniería de percepción y visión 3D

Responsabilidades: convertir cámara, profundidad o LiDAR en objetos, geometría y poses para agarre, navegación e interacción.

Tecnologías: calibración de cámara y mano-ojo, nubes de puntos, segmentación, profundidad, pose 6D, OpenCV, PCL/Open3D, PyTorch y ONNX/TensorRT.

Entrevistas: modelos de cámara, transformaciones, reproyección, registro de nubes y evaluación de pose; datos, oclusión e iluminación; equilibrio precisión-latencia. La experiencia en visión sirve de base, complementada con geometría, sensores y referencias robóticas.

Ruta: calibración y sim2real · proyección.

7.4 Ingeniería y plataformas

Ingeniería de simulación

Responsabilidades: crear entornos, modelos y escenas de entrenamiento y evaluación; configurar física y sensores; calibración real-to-sim, datos sintéticos y evaluación automática.

Tecnologías: Isaac Sim/Isaac Lab, MuJoCo, USD/URDF/MJCF, contacto, actuadores, aleatorización, simulación paralela y análisis de rendimiento.

Entrevistas: efectos de masa, inercia, fricción, articulaciones y paso temporal; calibración con medidas físicas; diagnóstico de cuellos de botella y reproducibilidad. Para modelos del mundo de vídeo, añade generación, predicción condicionada por acciones y evaluación; distingue investigación de modelos y herramientas.

Ruta: simulación.

Ingeniería de datos

Responsabilidades: teleoperación, recogida, plataformas y calidad para convertir registros en datasets entrenables, trazables y reutilizables.

Tecnologías: Python, dispositivos, vídeo y series temporales, formatos y metadatos, almacenamiento de objetos, planificación de procesos, versiones y LeRobot.

Entrevistas: alinear observaciones y acciones; detectar fotogramas perdidos, errores de calibración y trayectorias anómalas; particiones sin fugas, carga eficiente y versiones. La oferta de datos robóticos de XDOF destaca validación y herramientas de calidad.

Distingue operadores de recogida, centrados en equipos y ejecución; desarrollo de teleoperación, centrado en interfaces; e ingeniería de plataforma, centrada en almacenamiento, procesamiento, calidad e integración con entrenamiento.

Ruta: ingeniería de datos.

Ingeniería de software robótico y despliegue

Responsabilidades: integrar percepción, políticas, control y hardware mediante comunicación, inferencia, dispositivos, registros, recuperación y versiones.

Tecnologías: C++, Python, Linux, ROS 2, DDS/QoS, multihilo, planificación en tiempo real, ONNX Runtime/TensorRT y Jetson Orin.

Entrevistas: memoria y recursos en C++, concurrencia y carreras de datos, tiempos de comunicación, latencias extremo a extremo y de cola, perfiles CPU/GPU y gestión de desconexiones, timeouts e incompatibilidades. Presenta una integración con monitorización, diagnóstico y recuperación.

Ruta: despliegue.

7.5 Hardware

Las especialidades de hardware condicionan carga, precisión, consumo y fiabilidad.

Sistemas embebidos

Responsabilidades: firmware MCU, interfaces de sensores y actuadores, tareas en tiempo real y comunicación de bajo nivel.

Tecnologías y entrevistas: C/C++, RTOS, interrupciones, DMA, CAN/CAN-FD, SPI/I²C, planificación, ancho de banda, latencia, watchdogs, recuperación y actualización. Diagnostica problemas temporales con osciloscopio o analizador lógico.

Accionamientos y electrónica

Responsabilidades: control de corriente, velocidad y posición; alimentación, placas, interfaces de sensores y fiabilidad de circuitos.

Tecnologías y entrevistas: FOC, encoders, muestreo de corriente, PWM, potencia, esquemas y PCB, EMC y refrigeración. Explica ancho de banda, tiempos de muestreo, errores y protecciones con medidas y análisis de fallos.

Mecánica, actuadores y manos diestras

Responsabilidades: diseñar eslabones, articulaciones, transmisiones, actuadores y manos; seleccionar componentes, montar y ensayar. Las manos añaden accionamiento de dedos, tacto y mantenimiento.

Tecnologías y entrevistas: CAD, mecanismos, materiales, tolerancias, elementos finitos y selección de motores y reductores. Deriva par, velocidad y recorrido desde la tarea; justifica compromisos entre rigidez, holgura, peso, refrigeración y coste con planos, prototipos y ensayos.

Ruta: hardware.

7.6 Entender los límites entre perfiles

Lee responsabilidades y entregables

El tamaño del equipo, la etapa del producto y el enfoque técnico cambian el reparto. Un equipo pequeño puede unir recogida, entrenamiento y despliegue en un puesto; otros los reparten. Comprueba robots, tareas, entregables, evaluación y trabajo con hardware.

La demanda depende de lugar, momento y vacantes. Las ofertas públicas citadas ilustran responsabilidades y se consultaron el 24 de septiembre de 2026.

Distingue dos direcciones de RL

Dirección	Objetivos	Qué añadir a una base de RL
Control del movimiento aprendido	Equilibrio, velocidad, adaptación al terreno y coordinación corporal	Dinámica, contacto, simulación, actuadores y sim-to-real
Postentrenamiento RL de VLA y manipulación	Éxito, eficiencia, generalización y recuperación	Multimodalidad, acciones, demostraciones, entrenamiento distribuido y evaluación interactiva

Si vienes de RL, prueba un experimento de control y otro de manipulación. Una revisión de VLA demuestra comprensión; reproducir, manipular y desplegar en hardware añade evidencia práctica.

Para trabajar en productos de IA y hardware, busca proyectos que incluyan recogida, entrenamiento, despliegue y fallos de campo. Explica tarea, contribución propia, resultados y diagnóstico para conectarlos con el perfil.

Continúa aprendiendo

Vuelve a 6. Tecnologías y módulos y elige un proyecto para conectar la teoría con la práctica.