Robotica 2026: sicurezza by design, memoria latente e controllo adattivo — le architetture per l'autonomia affidabile

La letteratura robotica di frontiera non procede più per salti isolati. La settimana del 17 settembre 2026 su arXiv consegna un quadro coerente: cinque contributi — SafeHarness, Workspace Models, FAMOS, GeoAAC, StageGuard — affrontano ciascuno un collo di bottiglia diverso dell'autonomia incarnata, ma condividono un principio architetturale comune. Non si tratta di aggiungere moduli a pipeline esistenti, ma di riscrivere le primitive decisionali: pianificazione con vincoli espliciti, memoria latente addestrata offline, percezione articolata multi-vista, orizzonte d'azione adattivo basato sulla geometria del denoising, monitoraggio gerarchico distillato da modelli di grandi dimensioni. Per l'industria italiana, che deve portare robot collaborativi in contesti non strutturati — dalla logistica di magazzino all'ispezione di impianti energetici — queste primitive diventano criteri di selezione tecnologica e leve di certificazione.

Sicurezza by design: il paradigma SafeHarness per agenti di codifica

Gli agenti di codifica — LLM che scrivono controller robotici come programmi — hanno dimostrato di far funzionare bracci senza addestramento robot-specifico. Il paper SafeHarness (Coding Agents with an Obstacle-Aware Harness for Safe Robot Manipulation) pone però la domanda finora elusa: sono sicuri?. La risposta è no: sotto vincolo di non toccare un ostacolo, l'agente collide nella maggior parte dei casi, trattando il completamento come unico obiettivo. Il fallimento non è percettivo (l'ostacolo è visto) né lessicale (il prompt lo vieta), ma pianificatorio: il vincolo non diventa mai priorità.

La soluzione decompone la manipolazione in due fasi — route (avvicinamento) e contact (interazione ricca di contatti) — e introduce due harness obstacle-aware. Il primo modella gli oggetti come bounding box, genera waypoint candidati, verifica la rotta, ri-pianifica se infattibile e solo poi esegue. Il secondo seleziona la posa di contatto in modo da evitare l'ostacolo. Risultati: 71,9% task success e 87,5% collision avoidance, +6,5% e +27% sullo SOTA precedente. Per un integratore italiano, questo significa che la sicurezza non è un layer di supervisione esterno ma una struttura dati e un protocollo di verifica interno all'agente — requisito indispensabile per marcature CE e ISO 10218/ISO/TS 15066 in scenari collaborativi non gabbiati.

Memoria operativa leggera: i Workspace Token e la distillazione della conoscenza

Le task a lungo orizzonte richiedono memoria di eventi passati. Condizionare su storici completi degrada le policy a causa di correlazioni spurie; l'approccio corrente usa VLM in-the-loop per estrarre solo informazioni salienti, ma introduce latenza e costo. Workspace Models (Workspace Models: Lightweight Robotic Memory via Saliency-Driven Supervision) inverte il paradigma: le query VLM costose si fanno in training per identificare le informazioni correnti e storiche necessarie, poi si distilla in un workspace token latente tramite loss di set-reconstruction. In deployment, il token sostituisce le osservazioni grezze — niente VLM online.

Il token è più leggero e porta a policy migliori. L'implicazione architetturale è profonda: la memoria non è un buffer ma una rappresentazione appresa di ciò che conta, allineata al task. Per applicazioni italiane — pensiamo a un cobot che assembla kit variabili in una linea one-piece flow — il workspace token permette di cambiare ricetta senza ri-addestrare la policy end-to-end, aggiornando solo la fase di distillazione. Inoltre, l'assenza di VLM in loop riduce la superficie di attacco cyber (nessun prompt injection runtime) e il footprint hardware (niente GPU per inferenza VLM), due fattori chiave per OT security e edge deployment su Jetson Orin o equivalenti.

Comprensione articolata e controllo adattivo: FAMOS, GeoAAC e Agile-WAM

Tre lavori completano il quadro percettivo-attuativo. FAMOS (FAMOS: Feed-Forward 3D Articulation Modeling from Sparse Observations) affronta l'inferenza di parti mobili e parametri giunto da point cloud parziali, non ordinati e in numero limitato. Il Multi-state Articulation Transformer con attention alternata state-wise/global ragiona su un numero variabile di osservazioni multiple; un observed articulation span objective supervisiona l'escursione di moto per parte. Un generatore procedurale sintetizza asset auto-annotati per superare la scarsità dati. Risultato: supera le baseline feed-forward e optimization-based su PartNet-Mobility, ACD, ArtiCraft-10K. Per l'industria: un robot che apre sportelli, cassetti, valvole senza modelli CAD precaricati, da poche viste RGB-D — abilitante per manutenzione e logistica in ambienti brownfield.

GeoAAC (GeoAAC: Geometry-Based Adaptive Action Chunking from Denoising Trajectories in VLA Policies) risolve un limite delle Vision-Language-Action policy: l'orizzonte d'azione fisso. Durante un rollout, fasi diverse richiedono continuità, precisione, feedback closed-loop differenti. GeoAAC usa la geometria delle traiettorie di denoising del Flow Matching: la variazione geometrica tra prefissi successivi correla con incertezza predittiva. Costruisce un profilo geometrico per orizzonte e adatta l'orizzonte tramite una singola generazione, senza training addizionale. Su GR00T N1.5 e π0.5: +8,7 pp in simulazione, successo reale da 53,3% a 74,4%. Significa che lo stesso modello VLA può eseguire approcci grossolani (orizzonte lungo) e inserzioni di precisione (orizzonte corto) dinamicamente — riducendo la necessità di policy specializzate per fase.

Agile-WAM (Agile-WAM: An Agile Tactile World Action Model for Contact-Rich Robot Control) porta i World Action Models al tatto con architettura agile. Visione e tatto evolvono su scale temporali diverse: frame visivi adiacenti sono simili, segnali tattili cambiano bruscamente al contatto. Agile-WAM introduce multi-horizon multimodal prediction: supervisione latente visiva con ampio offset temporale, tattile al frame successivo per catturare dinamiche di contatto fini. Nove task simulati e cinque reali: +29,4% successo relativo reale, latenza 11,9 ms. Per assemblaggio, cablaggio, lucidatura — dove il tatto è discriminante — Agile-WAM dimostra che WAM multimodali possono essere deployabili su hardware edge, non solo demo GPU-cluster.

Pianificazione gerarchica e transizioni di fase: StageGuard e l'orizzonte lungo

L'esecuzione long-horizon combina skill da policy multiple; decidere quando terminare una skill e passare alla successiva è critico. I checker di completamento predefiniti sono fragili; VLM grandi ragionano bene ma hanno latenza cloud e confini decisionali non allineati. StageGuard (StageGuard: Learning Stage Transitions for Long-Horizon Robot Tasks via Agentic Distillation) propone agentic distillation: un teacher VLM + traiettorie demo generano spiegazioni strutturate di completamento di sottotask e switching di policy; uno student VLM leggero impara a generare self-explanations compatte per un fine-tuning supervisionato. Valutato su BEHAVIOR-1K e robot reali: sostanziale miglioramento nella predizione delle transizioni, con monitoring online efficiente.

La lezione architetturale: la gerarchia non è hard-coded ma distillata dal ragionamento simbolico in policy compatte. Per fabbriche italiane che orchestrano celle robotiche eterogenee (mobile manipulator + cobot fisso + AMR), StageGuard offre un percorso per orchestratori cognitivi leggeri che decidono transizioni basandosi su evidenza visuo-tattile, non su script rigidi. La self-explanation dello student model fornisce anche audit trail comprensibile — requisito per i sistemi ad alto rischio dell'AI Act.

Convergenza implicita: verso stack certificabili

Leggere i cinque paper insieme rivela una convergenza non dichiarata. SafeHarness dà vincoli geometrici verificabili alla pianificazione. Workspace Models dà memoria latente task-allineata senza VLM runtime. FAMOS dà modelli articolati zero-shot da dati sparsi. GeoAAC dà orizzonte d'azione adattivo dalla geometria generativa. StageGuard dà transizioni gerarchiche distillate con spiegabilità. Nessuno richiede modelli fondazionali sempre più grandi; tutti spostano computazione costosa in training (distillazione, generazione dati procedurali, supervisione VLM offline) per ottenere deployment leggero, deterministico, spiegabile.

Per AegisCore e l'ecosistema manifatturiero italiano — PMI che integrano robotica in spazi condivisi, fornitori automotive che spingono flessibilità di linea, gestori infrastrutture che ispezionano asset critici — questo significa: i criteri di due diligence tecnologica 2026-2027 non sono più "quale LLM/VLM usare" ma "quale architettura separa training-time reasoning da deployment-time execution con garanzie formali su sicurezza, latenza, memoria, spiegabilità". I paper della settimana forniscono proprio quelle primitive. La prossima frontiera non è il modello più grande, ma lo stack più verificabile.