Hebbian Robotics lanza HFlow: SDK open source para datos de robots

Hebbian Robotics (YC S26) presenta HFlow, un SDK abierto para datos de robótica

La startup Hebbian Robotics, parte del batch YC S26 de Y Combinator, lanzó HFlow, un SDK open source que busca resolver uno de los cuellos de botella más críticos en physical AI: el procesamiento de datos multimodales generados por robots. El proyecto está disponible en GitHub bajo licencia Apache-2.0 y se instala con uv add hflow. Empezó en la versión 0.2.0 después de que el nombre en PyPI fuera transferido desde un proyecto anterior inactivo.

El problema que HFlow ataca

Un corpus de robótica no es un dataset plano: combina video, estado, acciones, timestamps y metadatos provenientes de sistemas de grabación heterogéneos — robots teleoperados, cámaras worn por humanos, políticas autónomas. Cuando el corpus crece, los equipos suelen toparse con los mismos síntomas: cámaras que se congelan, streams que se desincronizan, tópicos que desaparecen, duplicados que contaminan el lote y, sobre todo, scripts fragmentados que impiden saber qué corrió, auditar el resultado o reproducir un dataset.

Según el equipo, esa fricción es la que está frenando a equipos medianos y chicos que no tienen los recursos de infraestructura de datos que sí tienen los grandes laboratorios. HFlow llega para empaquetar las prácticas que esas organizaciones ya tienen en producción: orquestación, versionado, curación y trazabilidad de extremo a extremo.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Qué trae el SDK en su versión actual

HFlow se define como pre-v1 pero con el ciclo de vida principal completo y ejecutable localmente. La pieza central es la frontera de MCAP, el formato contenedor que usa ROS 2 de forma nativa y que herramientas como Foxglove y Rerun abren directamente. HFlow escribe episodios canónicos con dos ajustes descritos en el artículo de Dyna Robotics sobre entrenamiento a escala de millones de horas: H.264 in-band con longitud de GOP adaptada al patrón de lectura, y topic-group chunking, que separa streams de cámara y de estado en chunks distintos para que cada muestra de entrenamiento cueste una lectura por grupo en lugar de una por tópico.

El ciclo de datos sigue cuatro etapas — collection, ingestion, curation y delivery — implementadas así:

Input: episodios MCAP estándar soportados directamente; repositorios LeRobot Dataset v3 a través de hflow import lerobot.
Processing: tus transforms, checks, labels y enrichments en Python plano.
Execution: in-process para desarrollo; DAGs de Airflow 3 generados para correr en producción.
Output durable: episodios MCAP canónicos con provenance, artefactos y un catálogo en Parquet.
Curation: SQL sobre DuckDB que escribe un manifest versionado y pinneado.

Cada check, enrichment o canal derivado declara una versión explícita. Esa versión se guarda tal cual: se mantiene en refactors que preservan comportamiento y se bumpea cuando los resultados viejos y nuevos ya no deben compararse. La política de pass/fail nunca vive dentro del check: los checks producen mediciones con cobertura, y quien las usa define el threshold en curación — por ejemplo, black_pct < 1.0 en la SQL. Quality tags enrutan episodios, nunca los borran.

Por qué importa ahora: el dato como cuello de botella

El timing no es casual. El reporte del Silicon Valley Robotics Center correspondiente al Q1 2026 fue directo: «Q1 2026 fue el trimestre en el que el stack open source de robot learning se volvió silenciosamente production-grade» (TechTimes). La plataforma LeRobot de Hugging Face pasó de 1.145 datasets a fines de 2024 a más de 58.000 en mayo de 2026, un salto de 50x en cinco meses que la convirtió en la categoría más grande del Hub.

Eso explica por qué HFlow integra hflow import lerobot como frontera de v1: MCAP absorbe episodios LeRobot v3 resolviendo el commit de origen y registrándolo como provenance del episodio. La estandarización de formatos entre plataformas es, según el ICLR 2026 paper de LeRobot, el prerrequisito para entrenar un foundation model de robótica sobre hardware heterogéneo — algo equivalente a lo que GPT-3 representó para texto.

Al mismo tiempo, los números macro muestran que physical AI es la nueva ola del venture. Según Crunchbase, en el primer semestre de 2026 el sector levantó USD 47.400 millones en 521 deals, casi 4x respecto al segundo semestre de 2025 y 80% más que el primer semestre de 2025 (Crunchbase News). Waymo cerró una Serie D de USD 16.000M a valoración de USD 126.000M; Anduril levantó USD 5.000M a USD 61.000M de valoración; Shield AI, USD 2.000M a USD 12.700M. Y el segmento específico de robótica + IA recibió USD 16.300M en 492 deals solo en el Q1 2026, según PitchBook (Business Insider).

Más relevante para founders pequeños: Foxglove, que es citado por HFlow como pieza del stack, ya tiene más de 250 clientes — entre ellos Wayve, Anduril, Shield AI y Saronic — y recientemente levantó USD 60M. Skild AI opera con USD 2.200M en funding y USD 30M de revenue en 2025. Encord está en un frente distinto pero relacionado: en lugar de solo gestionar datos, manufactura datos físicos con pilotos humanos en San Leandro, incluyendo una prueba piloto con el headset de Zander Labs que mide ondas cerebrales para anotar intención y error (TechCrunch).

Qué significa esto para tu startup

HFlow no es un competidor directo de Foxglove ni de Encord: es infraestructura de datos que se enchufa entre el corpus crudo y el modelo entrenado. Si tu startup está construyendo physical AI, hay tres movimientos que vale la pena probar antes de fin de año:

Empezar con el quickstart local. uv add hflow + uv run python examples/quickstart.py sintetiza un episodio multimodal con streams de cámara y estado, corre el pipeline in-process y escribe outputs bajo ./data/. No necesitas Docker ni Airflow para validar el flujo. Si tienes grabaciones propias en MCAP, el mismo script las levanta: uv run python examples/quickstart.py path/to/episode.mcap.
Importar un dataset LeRobot existente. El comando uv run hflow import lerobot --repo lerobot/pusht --revision main --camera observation.image --episode-index 0 --output-dir ./data/lerobot_pusht resuelve main a un commit inmutable y lo registra como provenance del episodio MCAP resultante. Es la forma más barata de testear el formato canónico contra un dataset real sin tener hardware.
Versionar checks, no solo modelos. La convención de HFlow — checks que producen mediciones, thresholds definidos en la SQL de curación — encaja con la práctica de model cards + dataset cards que ya pide el ecosistema. Si estás levantando funding o auditando tu pipeline para un enterprise, poder responder «este episodio fue producido por el pipeline a41c9f27b3d8 con check joint_smoothness@1» vale oro.

El stack completo — MCAP + Airflow + Foxglove/Rerun + DuckDB + object storage — es lo que hoy usan los equipos grandes. HFlow lo empaqueta para equipos chicos con la promesa explícita de que tu código queda tuyo: no hay que reescribir transforms existentes, solo escribir adapters chicos. Es la misma lógica que hizo que PyTorch le ganara a frameworks propietarios en visión: el ecosistema gana cuando la fricción de adopción es mínima.