robotica
L'orchestrazione della realtà robotica: politiche generaliste, incertezza controllata e trasferimento sim-to-real nel 2026
Dalle politiche generaliste che dominano la manipolazione a contatto, all'orchestrazione di scena che rende affidabile la valutazione a chiuso di loop, fino alla modellazione dell'incertezza spaziotemporale e alle interfacce haptic personalizzate: il 2026 segna uno spostamento paradigmatico verso robotici più adattabili e deployabili.
Pubblicato il
1. Politiche generaliste a servizio della manipolazione a contatto
Negli ultimi anni, la ricerca sulla robotica di manipolazione ha spesso puntato su i modelli specialistici addestrati su dimostrazioni umane. Tuttavia, un nuovo filone di lavoro dimostra che i modelli generalisti possono ottenere risultati superiori senza richiedere training specifico per il task. Fonte 1 presenta AMP1, un riferimento harness che gira invariato su manipolatori a braccio singolo, bimanuali e mobili. Su RoboLab-120, AMP1 raggiunge un tasso di successo zero-shot dell'85,6%, rispetto al 49,2% e al 42,9% delle policy VLA e WAM di riferimento. L'agente riesce zero-shot in 104 prove su 108 nel mondo reale su dodici task e tre istanze robotiche, riducendo i tassi di fallimento di un fattore 20 e 15 rispetto a basi VLA e WAM di riferimento. Ciò che il harness base non fornisce sono abilità di presa, spinta o posizionamento: l'agente sviluppa le proprie strategie, come ricercare oggetti nascosti, usare oggetti come strumenti e calibrare le proprie fotocamere. Con l'aggiunta di uno store di memoria persistente, l'agente può apprendere dall'esperienza: un harness potenziato con una rappresentazione della memoria portata attraverso gli episodi riduce il tasso di fallimento sui task bimanuali di RoboDojo di 4,6 volte rispetto al deployment zero-shot. Questi risultati suggeriscono che le policy di manipolazione agentiche (AMPs) sono sostanzialmente più generaliste e robuste delle politiche di manipolazione specialistica.
Parallelamente, Fonte 4 introduce Grasp-TAGS, un framework di selezione della presa consapevole del task per la loco-manipolazione prehensile. Addestrando una unified PPO-based policy across multiple initial grasp configurations e distillando il learned critic in una lightweight grasp utility network, il sistema classifica i candidate grasp usando solo la configurazione e l'informazione goal. Sperimentalmente, Grasp-TAGS raggiunge un tasso di successo medio dell'89,84% nella rearrangement di grandi oggetti, superando l'79,87% delle migliori policy a presa singola fissa (un miglioramento di 9,97 punti percentuali) e riducendo gli errori di orientamento finale. Fonte 7 completa il quadro delle policy generaliste descrivendo COBRA, un robot-serpente che esegue whole-body loco-manipulation senza distinguere tra propulsione e manipolazione: qualsiasi parte del corpo può fare contatto, grazie a un modello dinamico contact-implicit unificato nel framework Moreau-Jean e a un'ottimizzazione di traiettoria guidata da un planner geometrico. Questi lavori convergono su uno stesso orientamento: abbandonare la specializzazione a favore di agenti in grado di auto-organizzare strategie di contatto e presa in contesti sconosciuti.
2. Orchestrazione di scena e valutazione in chiuso di loop
Se la manipolazione generalista riduce la dipendenza da dimostrazioni, l'orchestrazione di scena affronta il problema inverso: come valutare politiche autonome in ambienti dove gli attori non-ego si adattano al comportamento della policy ego. Fonte 2 introduce uno scenario di orchestrazione che monitora continuamente lo stato traffico congiunto e adatta gli attori non-ego attraverso re-timing, re-routing e role reassignment, risolvendo un problema di ottimizzazione vincolato che preserva l'interazione intenzionale limitando le interferenze. Si distingue inoltre la realizzazione dello scenario dal fallimento della policy, permettendo di valutare prima se l'interazione intenzionale è avvenuta e poi come la policy ego ha risposto. Gli esperimenti in CARLA across multiple scenario families mostrano che l'orchestrazione realizza interazioni targetate più affidabili di script e baseline learned, particolarmente sotto variazioni di condizioni iniziali e comportamento della policy ego.
Fonte 10 sposta l'orchestrazione in un dominio fisico diverso: la velocimetria a immagini di particelle (PIV) autonoma. Qui l'RL addestra un agente a controllare un manipolatore 6-DoF equipaggiato con una camera, incaricato di localizzare, inquadrare e risolvere un wake idrodinamico in un tunnel d'acqua. L'agente osserva solo il campo di velocità e l'incertezza stimata da coppie di immagini temporaneamente separate, addestrato interamente in una simulazione fotorealistica con wakes generati da CFD. Dopo transfer zero-shot al tunnel reale, la policy localizza e inquadra wake di idrofoil posizionati casualmente con risoluzione superiore a una vista fissa e errore inferiore nelle statistiche di flusso, in circa metà del tempo di una scansione completa e con poche coppie di immagini. Sia l'orchestrazione di scena che il trasferimento sim-to-real per la percezione condividono una necessità fondamentale: l'adattamento a chiuso di loop. Che si tratti di mantenere un'interazione prevista in traffico virtuale o di posizionare una camera in un ambiente fisico incostante, la capacità di ricalibrare obiettivi e azioni in tempo reale colma il divario tra simulazione controllata e realtà complessa.
3. Stima del contatto e modellazione dell'incertezza spatiotemporale
Un limite strutturale per i robot a tendine continuo è che il contatto lungo il loro corpo è invisibile ai sensori dei motori. La mappa dalle forze di contatto alle misurazioni delle tende ha uno spazio nullo di dimensione almeno sette, quindi nessun estimator che lascia libero il contatto può localizzarlo. Quando la geometria dell'ostacolo è nota, tuttavia, la non penetrazione e la complementarità rendono localmente identificabile la forza di contatto, e si dimostra che il sistema con input di contatto ignoti è localmente esponenzialmente fortemente rilevabile. Si presenta un constrained moving horizon estimator (MHE) che codifica queste condizioni e gira in tempo reale come un QP per campione, garantendo una stabilità locale robusta per modalità. In un benchmark finite-element di un robot a due sezioni che preme e scivola su un muro, l'estimator localizza il contatto a 0,9 mm e stima la forza a 0,22 N, contro i 65 mm e 0,72 N di un EKF sintonizzato con proiezione dello stato. L'estimator tollera errori al millimetro nella posizione dell'ostacolo e l'attrito della parete non modellato, sotto cui l'EKF proiettato fallisce. Su 40 trial con mismatch di modello randomizzato, inclusa l'attrito delle tende non modellato, l'MHE rimane migliore in ogni prova sia per forza che per localizzazione. Senza contatto, l'MHE non offre vantaggio sull'EKF, confermando che il suo beneficio deriva dai vincoli di contatto.
L'incertezza non riguarda solo il contatto: Fonte 9 propone SURE, un framework di training VLA efficiente in dati che modella esplicitamente sia l'incertezza spaziale che temporale. Un lightweight transposed-convolutional probabilistic action decoder cattura l'incertezza spaziale attraverso correlazioni locali tra bin adiacenti delle azioni. Si introduce inoltre una supervisione Soft-DTW alignment per accomodare variazioni temporali locali tra chunk di azione previsti e dimostrati. Valutando su LIBERO, RoboTwin 2.0 e task real-world, SURE raggiunge tassi di successo di manipolazione che eguagliano o superano le baseline VLAs anche con solo il 10% dei dati dimostrativi o il 20% dei passi di training. Questo riduce la sensibilità a pose specifiche del dimostratore e alle tempistiche di esecuzione.
Fonte 6 complementa il quadro con il benchmark Seeing What Matters, che valuta la credenza spaziale condizionata al task per la manipolazione. Su workstation caffè, drawer/cabinet e microwave/appliance, il benchmark fornisce 860 casi di valutazione congelati; il pipeline diagnostico di riferimento mantiene uno stato di credenza spaziale-funzionale e classifica le viste per evidenza mancante. A budget primario, questo pipeline raggiunge successo chiuso 98,8% e functional-OOD 98,9%; ablating i componenti funzionali o binding del comando fa collassare le performance vicino allo zero. Sette modelli vision-language valutati sugli stessi casi raggiungono solo 26-43%. Sostituire i metadata di coverage del pipeline con punteggi RGB congelati preserva il 98,5%/98,9% di successo; shuffling dei punteggi visivi lo fa collassare al 15%/11%, confermando che il risultato dipende dal contenuto dell'immagine. Questi gap suggeriscono che la credenza spaziale per la manipolazione dovrebbe essere valutata non in base a descrizioni generali della scena, ma in base alla capacità di acquisire l'evidenza specifica necessaria per eseguire il comando.
Insieme, MHE, SURE e Seeing What Matters delineano un nuovo paradigma: l'incertezza non è un rumore da cancellare, ma una struttura da modellare. Che si tratti di localizzare una forza di contatto su un robot a tendine, di allineare azioni temporali in un VLA o di selezionare la vista giusta per un comando di manipolazione, incorporare conoscenze strutturali (geometria, complementarity, timing) genera guadagni misurabili in robustezza e efficienza dati.
4. Dal calcolo all'embodiment: generalisti computazionali e interfacce haptic personalizzate
L'ultima frontiera di questo spostamento paradigmatico attraversa il confine tra software e hardware, tra simulazione e percezione umana. Fonte 5 argomenta che gli embodied tasks possono essere formulati come interazione con software digitale. Costruendo software che rende la visualizzazione di un ambiente fisico su schermo e fornisce controlli per agire, l'agent computer-use (CUA) può eseguire embodied tasks attraverso screenshots e azioni da tastiera/mouse identiche a quelle per operare software ordinario. Utilizzando un singolo design CUA e cambiando solo il software, i sistemi vincono primi, secondi, terzi e sesti posti in quattro workshop ECCV, senza alcun tuning specifico per competition. Questi risultati suggeriscono che le abilità dei CUAs apprese su software – visual grounding, precise clicking, exploration – si applicano già a embodied tasks, dando CUAs un ambito molto più ampio in embodied AI di quanto precedentemente realizzato. L'articolo di advocacy sostiene che, seguendo la training strategy che ha reso i CUAs generalisti, l'embodied AI può convergere su un singolo modello generale, inaugurando una nuova era di general embodied AI.
Fonte 8 completa questo scenario con un'interfaccia haptic indossabile I/O che apprende modelli personalizzati di percezione tattile. Integrando un array elettrotattile a 36 canali con sensing capacitivo, il dispositivo registra sia le stimolazioni che le posizioni percettive segnalate dall'utente nello stesso frame di riferimento corporeo. Su 24 partecipanti, il dispositivo rivela mappe percettive elettrotattili e termiche referred con notevole variabilità tra partecipanti. Nonostante questa variabilità, entrambe le modalità mantengono una struttura spaziale specifica per accoppiamento di elettrodi tra partecipanti. Percept tattili e termali mostrano anche corrispondenza spaziale, la cui forza varia tra partecipanti. Questi risultati motivano un framework di calibrazione human-in-the-loop che adatta una strategia di forward-prediction a utenti individuali, generando modelli percettivi personalizzati. Questi modelli abilitano rendering inverso selezionando pattern di stimolazione previsti per generare un percept target per un utente specifico. Utilizzando questi modelli, si dimostra rendering haptic personalizzato in teleoperazione robot guidata, sottostituzione sensoriale visivo-tattile, comunicazione tattile interpersonale e Realtà Virtuale. La piattaforma complessiva offre una via verso interfacce haptic adattive che misurano, modellano e adattano secondo la percezione di ciascun utente.
La convergenza di questi filoni – policy generaliste che dominano la manipolazione a contatto, orchestrazione di scena per valutazione affidabile, modellazione strutturale dell'incertezza e interfacce personalizzate – segnala che il 2026 è l'anno in cui la robotica smette di cercare di adattare il mondo alle proprie limitazioni inizia a costruire sistemi in grado di adattarsi al mondo, in tutte le sue complessità incostante, attraverso una combinazione di generalizzazione, consapevolezza dell'incertezza e co-progettazione uomo-macchina.
Fonti
- https://arxiv.org/abs/2611.09892v1
- https://arxiv.org/abs/2611.09888v1
- https://arxiv.org/abs/2611.09877v1
- https://arxiv.org/abs/2611.09864v1
- https://arxiv.org/abs/2611.09847v1
- https://arxiv.org/abs/2611.09794v1
- https://arxiv.org/abs/2611.09777v1
- https://arxiv.org/abs/2611.09708v1
- https://arxiv.org/abs/2611.09684v1
- https://arxiv.org/abs/2611.09679v1
Altre letture
- Robotica incarnata: il nuovo stack dell'affidabilità — valutazione offline, sensing tattile aperto, addestramento ibrido e autosorveglianza nativa Dalla valutazione preventiva con Sensorimotor Alignment all'ecosistema tattile OpenTac, fino al monitoraggio runtime interno con P² ed Echo: le nuove ricerche disegnano un ciclo di vita completo per rendere i modelli Vision-Language-Action sicuri e deployabili in produzione.
- Robotica 2026: AI generativa, simulazione fisica e intelligenza di flotta abbattono il muro sim-to-real Una convergenza senza precedenti tra modelli generativi 3D, world model visuo-tattili, pianificazione robusta al rumore e memoria spaziotemporale distribuita sta rendendo il deployment robotico su larga scala una realtà industriale concreta.
- Dalla simulazione alla realtà certificata: ragionamento, fisica e sicurezza chiudono il divario di deployment nella robotica Nuovi approcci basati su reinforcement learning in simulazione, modellazione precisa dell'attrito, handover robusti con partner sconosciuti e controllo predittivo certificato stanno rendendo i robot generalisti affidabili fuori dal laboratorio. L'infrastruttura edge FPGA completa il quadro.