Empacar comida en cajas de almuerzo requiere seleccionar la porción correcta. Los alimentos como el pollo frito, los huevos y las salchichas son fáciles de manipular al empacar. En contraste, los objetos deformables como los espaguetis pueden presentar desafíos para el empaque de cajas de almuerzo debido a su fragilidad y tendencia a deshacerse, así como al peso fluctuante de los fideos. Además, lograr la cantidad correcta es crucial para el empaque de cajas de almuerzo. Esta investigación se centra en el agarre autoaprendido por un brazo robótico para permitir la capacidad de predecir y agarrar de forma autónoma objetos deformables, específicamente espaguetis, para lograr la cantidad correcta dentro de rangos especificados. Utilizamos el aprendizaje profundo por refuerzo como el núcleo del aprendizaje. Desarrollamos un entorno personalizado y una red de políticas en un escenario del mundo real que se simplificó como en una fábrica de alimentos, incorporando múltiples sensores para observar el entorno y un sistema para trabajar con un brazo robótico real. A través del estudio y los experimentos, nuestros resultados muestran que el robot puede agarrar los espaguetis dentro de los rangos deseados, aunque ocasionalmente se produjeron fallos debido a la naturaleza del objeto deformable. Abordar el problema bajo diversas condiciones ambientales, como la augmentación de datos, puede ayudar parcialmente a la predicción del modelo. El estudio destaca el potencial de combinar el aprendizaje profundo con la manipulación robótica para tareas complejas de objetos deformables, ofreciendo información para aplicaciones en el manejo automatizado de alimentos y otras industrias.