La tecnología protésica ha presenciado avances notables, sin embargo, persisten desafíos en lograr un control de agarre autónomo mientras se asegura de que la experiencia del usuario no se vea comprometida. Los prótesis electrónicas actuales a menudo requieren un entrenamiento extenso para que los usuarios ganen control motor fino sobre los dedos protésicos, lo que dificulta su usabilidad y aceptación. Para abordar este desafío y mejorar la autonomía de las prótesis, este artículo propone un método automatizado que aprovecha técnicas basadas en visión por computadora y algoritmos de aprendizaje automático. En este estudio, se emplean tres algoritmos de aprendizaje por refuerzo, a saber, Soft Actor-Critic (SAC), Deep Q-Network (DQN) y Proximal Policy Optimization (PPO), para entrenar agentes en tareas de agarre automatizado. Los resultados indican que el algoritmo SAC logra la tasa de éxito más alta del 99% entre los tres algoritmos en poco menos de 200,000 pasos de tiempo. Esta investigación también muestra que las características físicas de un objeto pueden afectar la capacidad del agente para aprender una política óptima. Además, los hallazgos destacan el potencial del algoritmo SAC en el desarrollo de manos protésicas inteligentes con capacidades de agarre automático de objetos.