Los robots que incorporan normas sociales en sus comportamientos son vistos como más solidarios, amigables y comprensivos. Dado que es imposible especificar manualmente el comportamiento más apropiado para todas las situaciones posibles, los robots necesitan ser capaces de aprenderlo a través de prueba y error, observando interacciones entre humanos o utilizando el conocimiento teórico disponible en lenguaje natural. En contraste con los dos enfoques anteriores, este último no ha recibido mucha atención porque entender el lenguaje natural no es trivial y requiere mecanismos de anclaje adecuados para vincular palabras con la información perceptual correspondiente. Los estudios de anclaje previos se han centrado principalmente en el anclaje de conceptos relevantes para la manipulación de objetos, mientras que el anclaje de conceptos más abstractos relevantes para el aprendizaje de normas sociales no se ha investigado hasta ahora. Por lo tanto, este artículo presenta un marco de anclaje en línea basado en el aprendizaje cruzado no supervisado para anclar tipos de emociones, intensidades emocionales y géneros. El marco propuesto se evalúa a través de un escenario simulado de interacción humano-agente y se compara con un marco de anclaje bayesiano no supervisado existente. Los resultados obtenidos muestran que el marco propuesto es capaz de anclar palabras, incluidos sinónimos, a través de sus características perceptuales correspondientes de manera no supervisada y abierta, superando la línea base en términos de precisión de anclaje, transparencia y capacidad de implementación.