Agarrar objetos en entornos desordenados sigue siendo un desafío significativo en robótica, especialmente al tratar con objetos novedosos que no han sido encontrados previamente. Este documento propone un enfoque novedoso para abordar el problema de aprender de manera robusta a agarrar objetos en escenas desordenadas, centrándose en escenarios donde los objetos están desestructurados y colocados al azar. Presentamos un marco único de Deep Q-learning (DQN) combinado con una red convolucional completa adecuada para el agarre de extremo a extremo de múltiples objetos adhesivos en un entorno desordenado. Nuestro método combina la información de profundidad de los objetos con el aprendizaje por refuerzo para obtener una estrategia de agarre adaptativa que permita a un robot aprender y generalizar habilidades de agarre para objetos novedosos en el mundo real. Los resultados experimentales demuestran que nuestro método mejora significativamente el rendimiento de agarre en objetos novedosos en comparación con técnicas de agarre convencionales. Nuestro sistema muestra una notable adaptabilidad y robustez en escenas desordenadas, agarrando de manera efectiva una variedad diversa de objetos que no habían sido vistos previamente. Esta investigación contribuye al avance de la robótica con aplicaciones potenciales, incluyendo, pero no limitadas a, manipuladores redundantes, robots de dos brazos, robots continuos y robots blandos.