El ensamblaje robótico, particularmente las tareas de insertar un pasador en un agujero, presenta desafíos significativos en entornos inciertos donde las desviaciones de posición, las formas variables de los pasadores y el ruido ambiental pueden socavar el rendimiento. Para abordar estos problemas, este documento propone un enfoque novedoso que combina la fusión visual-táctil con el aprendizaje por refuerzo. Al integrar datos multimodales (imagen RGB, mapa de profundidad, información de fuerza táctil y datos de posición del cuerpo del robot) a través de una red de fusión basada en un autoencoder, proporcionamos al robot una percepción más completa de su entorno. Además, mejoramos la habilidad de ensamblaje del robot utilizando el algoritmo de aprendizaje por refuerzo Soft Actor-Critic (SAC), que permite al robot adaptar sus acciones a entornos dinámicos. Evaluamos nuestro método a través de experimentos, que mostraron mejoras claras en tres aspectos clave: mayores tasas de éxito en el ensamblaje, tiempos de finalización de tareas reducidos y mejor generalización a través de diversas formas de pasadores y condiciones ambientales. Los resultados sugieren que la combinación de retroalimentación visual y táctil con el aprendizaje basado en SAC proporciona una solución viable y robusta para el ensamblaje robótico en entornos inciertos, allanando el camino para robots industriales escalables y adaptables.