Este documento se centra en desarrollar un enfoque robótico para la sujeción de objetos que posee la capacidad de autoaprendizaje, es adecuado para la producción de gran variedad en pequeños volúmenes y tiene una alta tasa de éxito en tareas de sujeción y colocación de objetos. El enfoque propuesto consiste en un algoritmo de detección de objetos basado en visión por computadora y un algoritmo de aprendizaje por refuerzo profundo con capacidad de autoaprendizaje. En particular, se emplea el algoritmo You Only Look Once (YOLO) para detectar y clasificar todos los objetos de interés dentro del campo de visión de una cámara. Basado en los resultados de detección/localización y clasificación proporcionados por YOLO, se emplea el algoritmo de aprendizaje por refuerzo profundo Soft Actor-Critic para proporcionar una pose de agarre deseada para el manipulador robótico (es decir, el agente de aprendizaje) para realizar la sujeción de objetos. Con el fin de acelerar el proceso de entrenamiento y reducir el costo de la recolección de datos de entrenamiento, este documento emplea la técnica Sim-to-Real para reducir la probabilidad de dañar el manipulador robótico debido a acciones inapropiadas durante el proceso de entrenamiento. La plataforma V-REP se utiliza para construir un entorno de simulación para entrenar la red neuronal de aprendizaje por refuerzo profundo. Se han realizado varios experimentos y los resultados experimentales indican que el manipulador industrial de 6-DOF realiza con éxito la sujeción de objetos con el enfoque propuesto, incluso en el caso de objetos previamente no vistos.