El presente proyecto tiene como objetivo mejorar la eficiencia de los sistemas de agarre robótico. Estos sistemas suelen dividirse en dos etapas: percepción del ambiente y planificación de movimiento. La percepción consiste en identificar objetos agarrables y generar posibles poses de agarre que, son evaluadas hasta encontrar una válida la cual es usada como objetivo del planificador de movimiento. Sin embargo, estas poses no consideran datos de eficiencia del planificador, como la longitud o el tiempo de procesamiento de la ruta. Por lo tanto, el proyecto propone incluir datos de planificación en el entrenamiento de una red neuronal para obtener poses más eficientes. Para ello, se ha utilizado el algoritmo RRTConnect para la planificación y el enfoque de control por cómputo de torque para el control para minimizar errores en el seguimiento de la trayectoria. La red neuronal utiliza PointNet++ para segmentar nubes de puntos, junto a otras capas, para generar poses de agarre considerando los datos de planificación. La simulación del sistema en CoppeliaSim ha dado resultados prometedores, con un éxito de agarre del 96.03% en escenas ordenadas y del 91% en escenas desordenadas. Además, el planificador de movimiento proyecta rutas eficientes hacia los objetivos, y el módulo de control permite al manipulador seguir trayectoria con errores menores a 1°.