En la robótica industrial, se busca que los autómatas interactúen eficientemente con diversas superficies durante la ejecución de tareas repetitivas. Este proyecto tiene como objetivo dotar a un robot de la capacidad para predecir la superficie de contacto con la que interactúa, optimizando su configuración para mejorar el desempeño y prolongar su vida útil, reduciendo el tiempo entre mantenimientos. Para ello, se utilizó el software MATLAB para realizar simulaciones y recopilar datos, con los cuales se elaboró un conjunto de datos (DataSet). Estos datos se emplearon para entrenar un modelo de machine learning ?CatboostClassifier? que permitió al robot predecir la superficie de contacto. Los resultados mostraron una precisión del 91% en la clasificación de materiales, lo que indica que, en 91 de cada 100 ocasiones, el robot identificó correctamente la superficie. Las conclusiones indican que, aunque se logró una predicción exitosa, el modelo presenta dificultades al diferenciar entre materiales con coeficientes de fricción similares, como el latón y el teflón, siendo la clasificación confiable en su mayoría. Palabras clave: Machine learning, CatboostClassifier, robot industrial, estimación de parámetros.