La demanda de automatización flexible en la fabricación ha aumentado, incorporando sistemas guiados por visión para la sujeción de objetos. Sin embargo, un desafío clave es el error en la mano, donde las discrepancias entre las posiciones reales y estimadas de un objeto en el agarre del robot impactan no solo en la sujeción, sino también en las etapas de ensamblaje posteriores. Las estrategias correctivas utilizadas para compensar el desalineamiento pueden aumentar los tiempos de ciclo o depender de conjuntos de datos preetiquetados, entrenamiento offline y procesos de validación, retrasando el despliegue y limitando la adaptabilidad en entornos industriales dinámicos. Nuestra principal contribución es un método de aprendizaje auto-supervisado en línea que automatiza la recolección de datos, el entrenamiento y la evaluación en tiempo real, eliminando la necesidad de procesos offline. Basándose en esto, nuestro sistema recopila datos en tiempo real durante cada ciclo de ensamblaje, utilizando estrategias correctivas para ajustar los datos y etiquetarlos de forma autónoma a través de un enfoque auto-supervisado. Luego construye y evalúa múltiples modelos de regresión a través de una implementación de autoaprendizaje automático. El sistema selecciona el modelo de mejor rendimiento para corregir el desalineamiento y elige dinámicamente entre estrategias correctivas y el modelo aprendido, optimizando los tiempos de ciclo y mejorando el rendimiento durante el ciclo, sin detener el proceso de producción. Nuestros experimentos muestran una reducción significativa en el tiempo de ciclo mientras se mantiene el rendimiento.