Este artículo aborda el problema del agarre robótico, que requiere un agarre y manipulación estables de objetos de diversas formas, tamaños y orientaciones. Utilizamos una red neuronal profunda para aprender representaciones abstractas y ricas de objetos y sintetizar posturas de agarre. En concreto, implementamos un marco integral, la detección de agarre guiada por mapa de calor, en un sistema en chip (SoC) GAP9 RISC-V. Para optimizar el modelo, se emplean técnicas basadas en hardware, como la reducción de la dimensionalidad de entrada, la partición del modelo y la cuantificación. La viabilidad de la inferencia en chip se verifica mediante el benchmark GraspNet-1Billion, lo que destaca el potencial para la manipulación autónoma en tiempo real utilizando microcontroladores de bajo consumo.
