Robotica oltre il laboratorio: case di cura, sale operatorie e stazioni spaziali

Da anni la robotica insegue il sogno di macchine che operano fuori dalle gabbie di sicurezza, nelle case, negli ospedali, nello spazio. Il 2026 segna un punto di svolta: non si tratta più di dimostrare che un braccio robotico può afferrare un oggetto in laboratorio, ma di capire come quel braccio si comporta quando l'oggetto galleggia in microgravità, quando il paziente tossisce durante un'endoscopia, quando l'anziano in una casa di riposo cambia idea a metà frase. Le pubblicazioni degli ultimi giorni su arXiv e i comunicati del NIST disegnano un quadro coerente: la frontiera si è spostata dalla capacità all'affidabilità in contesto.

Non è un caso che i nuovi benchmark — AstroBench per lo spazio, RGraph-Eval per la generazione video, HuMeGo per la memoria umanoide — nascano tutti da esigenze operative concrete. Chi finanzia e chi sviluppa ha smesso di accontentarsi di metriche astratte. Vuole sapere: quanti falsi allarmi al giorno genera il sistema di monitoraggio in una RSA? Quanto tempo serve per recuperare da un guasto in orbita? Quanto peggiora la traiettoria del planner quando la mappa non copre la zona? La risposta richiede architetture che non si limitano a percepire e agire, ma che ricordano, anticipano e si adattano senza supervisione continua.

Assistenza e cura: robotica in ambienti domestici e sanitari complessi

Le case di riposo e le abitazioni private degli anziani rappresentano, per definizione, «ambienti estremi e sfidanti per l'interazione uomo-robot (HRI)»: ambienti ingombri e dinamici, bisogni eterogenei, supporto tecnico in loco limitato o assente (Navigating human-robot interaction challenges in private and residential aged care homes). È qui che la robotica smette di essere una questione di cinematica e diventa una questione di design dell'interazione. La letteratura recente insiste su interfacce vocali robuste ma semplici, piccoli set di segnali non verbali, schermi accessibili come compagni d'interazione, consegne di oggetti sicure. Privacy, fiducia, accettabilità non sono un ripensamento: si affrontano con inferenza on-device, minimizzazione dei dati, controlli di consenso visibili, gestione trasparente allineata alle normative AI emergenti (Navigating human-robot interaction challenges in private and residential aged care homes).

La valutazione stessa cambia registro: non accuracy su dataset, ma falsi allarmi al giorno, tempo di recupero dai guasti, carico di lavoro dello staff, affidabilità a lungo termine (Navigating human-robot interaction challenges in private and residential aged care homes). Sono metriche che costringono gli sviluppatori a confrontarsi con la vita reale del sistema, non con la sua prestazione di picco.

Un esempio concreto arriva dall'alimentazione assistita. Un framework basato su Dynamic Movement Primitives (DMP) registra la dimostrazione umana del movimento del cucchiaio — raccogliere, portare alla bocca — tramite motion capture, lo segmenta in primitive dinamiche separate, e all'esecuzione usa una RGB-D per stimare la posizione della bocca e AprilTags per registrare la posa del vassoio e del frame del robot (Demonstration-Based Robotic Feeding Using Dynamic Movement Primitives). La pipeline integrata ROS 2 su manipolatore Kinova Gen3 dimostra fattibilità in scena reale, ma il punto non è il singolo task: è che ogni task assistivo richiede questa combinazione di percezione adattiva, pianificazione da dimostrazione, ed esecuzione tollerante all'errore. Nessun modulo funziona in isolamento.

Ancora più critico il fronte endoscopico. Gli endoscopi flessibili navigano anatomie tortuose dove attrito, deformazione e interazione con le pareti separano il comando di inserzione dal progresso distale effettivo. L'operatore interpreta lo scarto e arretra per recuperare una configurazione navigabile. Il sistema Multimodal Progress-Residual Fusion (MPRF) anticipa questa decisione di retreat fondendo comandi motori, tracciamento elettromagnetico (EM) e video endoscopico: un modello di progresso nominale predice la risposta attesa in navigazione normale; un predittore temporale combina il residuo EM con le tre modalità osservate (Multimodal Progress-Residual Fusion for Anticipating Navigation Retreat in Robotic Flexible Endoscopy). Su 150 episodi su phantom colonico, MPRF raggiunge 0.580 AUPRC contro 0.511 del miglior controllo a modalità ridotta. Le storie multimodali complete forniscono il vantaggio principale di ranking; il residuo aggiunge una rappresentazione esplicita intent-risposta con un piccolo incremento sulla fusione grezza (Multimodal Progress-Residual Fusion for Anticipating Navigation Retreat in Robotic Flexible Endoscopy). È assistenza comportamentale: il robot non esegue, capisce quando l'umano sta per correggere.

Spazio: manipolazione free-floating e benchmark realistici

Se la casa di cura è caotica per via degli umani, lo spazio lo è per via della fisica. Catturare un oggetto libero all'interno di un veicolo spaziale significa avvicinare un bersaglio che si traduce e ruota, e il cui moto cambia al contatto (AstroBench: Benchmarking Free-Floating Capture and Space Robotic Manipulation). Le condizioni motivano una valutazione oltre la manipolazione di oggetti vincolati. AstroBench nasce proprio così: benchmark aperto per cattura free-floating e manipolazione robotica spaziale con braccio a base fissa. La suite combina quattro tracce di moto iniziale con operazioni di stoccaggio campioni basate su hardware MELFI e servizio di tappi e viti captive basato sulla Robotic Refueling Mission: due workcell, nove definizioni di task, 29 combinazioni task-target. Un inventario Objaverse filtrato per metadata fornisce 8.414 istanze di oggetti per espansione asset, cinque contesti visivi di cabina, istruzioni di task versionate (AstroBench: Benchmarking Free-Floating Capture and Space Robotic Manipulation).

I primi esperimenti sono rivelatori. Una policy π₀.₅ DROID joint-position frozen cattura 2 su 200 bersagli statici e 4 su 200 in movimento su venti identità oggetto. Una policy ACT cube-specific ne cattura 8 su 10 statici e 6 su 10 in movimento in esperimento separato (AstroBench: Benchmarking Free-Floating Capture and Space Robotic Manipulation). Il divario documenta il difficile direct transfer per checkpoint generalisti e il successo di behavior task-specific, identificando setting concreti per studiare percezione motion-aware e controllo contact-sensitive. Codice, definizioni task e asset workcell editabili sono pubblici (AstroBench: Benchmarking Free-Floating Capture and Space Robotic Manipulation). La lezione: nello spazio non c'è margine per l'approssimazione, e i benchmark devono riflettere la fisica reale del contatto, non la sua astrazione.

Memoria, relazioni e adattamento: l'architettura cognitiva del deployment

Tutto questo — case di cura, endoscopia, spazio — richiede robot che non reagiscono solo al presente. La loco-manipolazione umanoide in scene dinamiche è non-markoviana: indizi svaniscono mentre gli oggetti cambiano o vengono occultati, o escono dalla vista mentre il robot ruota e cammina, eppure le policy whole-body vision-language-action (VLA) vedono solo il presente (Memory before Goal: Role of Pre-History Memory for Humanoid Loco-Manipulation). WholeBodyMem introduce una memoria percettiva object-guided che conserva la pre-history degli eventi oggetto visti prima che il robot agisca sul goal. SAM3 traccia gli oggetti task, e i loro eventi selezionano causalemente keyframe entro un budget adattivo, che l'action expert legge via cross-attention insieme a token oggetto che codificano apparenza, geometria e tempo (Memory before Goal: Role of Pre-History Memory for Humanoid Loco-Manipulation). Il benchmark HuMeGo — sei task simulati e sei reali su Unitree G1 — mostra che tenere i frame giusti batte tenere più frame: la policy base passa da 29.1% a 72.6% in simulazione e da 36.7% a 88.3% sul robot reale, migliorando anche i task SIMPLE standard (70.2% a 86.9%) (Memory before Goal: Role of Pre-History Memory for Humanoid Loco-Manipulation). La memoria non è storage: è selezione causale di ciò che conta.

A monte, i world model latenti (JEPA) imparano a predire in spazio latente ma lasciano gli stati opachi. Inside-JEPA inserisce canali relazionali per coppie ordinate di entità dentro lo stato latente JEPA e mostra che una loss di inverse-dynamics può groundare questi canali senza etichette relazionali quando la sua testa li legge, da soli o come parte dello stato completo (Inside-JEPA: From Prediction to Relational Grounding in Latent World Models). Su Something-Something V2, la predizione latente da sola non batte una testa relazionale random, mentre la supervisione inverse-dynamics che recupera azioni dai cambiamenti di canale migliora AUROC relazionale di .065-.103 su dieci setting con box annotati, .081 su episodi robot RH20T con task held-out, .050-.061 su cinque relazioni con detection e tracking off-the-shelf (Inside-JEPA: From Prediction to Relational Grounding in Latent World Models). Una testa inversa su latenti entità decodifica azioni più accuratamente ma non migliora il grounding relazionale; label mischiate, due obiettivi label-free, e label azione su solo il 5% delle coppie falliscono nel groundare i canali. Dato un'azione, i cambiamenti relazionali predetti avvicinano la qualità delle relazioni future osservate (AUROC .599 vs .621). Per goal relazionali one-step, una readout supervisionata dei 16 canali colloca l'azione corretta tra le top-5 su 65 nel 43% dei casi, contro 24% per latenti prediction-only e 17% per prior di frequenza (Inside-JEPA: From Prediction to Relational Grounding in Latent World Models). Il grounding relazionale emerge dalla necessità di invertire la dinamica, non dalla predizione fine a se stessa.

Valutazione e adattamento: misurare e migliorare dove conta

Quando il robot è già dispiegato, come si valuta se un video generato — o una traiettoria pianificata — è corretto per il task? RGraph-Eval introduce un framework reference-based che rende esplicite le discrepanze attraverso temporal scene graphs task-grounded. A differenza di approcci che costruiscono rappresentazioni evidence separate per diverse dimensioni di valutazione, organizza entità task, interazioni e moto in una rappresentazione unificata, interpretabile (RGraph-Eval: Task-Grounded Scene Graphs for Evaluating Robot Video Generation). Una pipeline foundation-model identifica ruoli di manipolazione, grounda mask oggetti persistenti, inferisce e verifica transizioni di stato e intervalli d'azione, ricostruisce il moto dell'oggetto manipolato in 3D. Applicando la rappresentazione a video generato e dimostrazione reference si ottiene uno score RGraph-Eval interpretabile con componenti visible-object, relation-change, 3D path-shape. ShareRobot-SG raccoglie 1.000 scene di manipolazione da dieci fonti ShareRobot annotate con la rappresentazione multimodale (RGraph-Eval: Task-Grounded Scene Graphs for Evaluating Robot Video Generation). La valutazione separa qualità generazione grafo da accordo con giudizi umani su video, e include confronti con SVG2 e SG-Ego adattati, benchmark di tre generatori video. Il framework connette l'assessment video robotico alle entità e interazioni osservabili sottostanti al task, rendendo le annotazioni grafo riutilizzabili oltre la valutazione (RGraph-Eval: Task-Grounded Scene Graphs for Evaluating Robot Video Generation).

E quando il planner incontra regioni unseen? I diffusion trajectory planner con esperti domain-specific affrontano la domanda pratica: possono affidarsi alla selezione tra esperti esistenti, o il planner deve adattarsi? Lo studio su un planner con adapter condiviso e adapter esperti per-domain mostra che su tre mappe reali held-out, nessuno di otto schemi di routing test-time migliora l'offset laterale fleet-mean rispetto allo static default che usa lo stesso esperto per ogni scena. Anche un oracolo che seleziona il miglior esperto per ogni scena riduce l'offset medio di soli 0.9 m. Al contrario, reward-based fine-tuning su appena 20 scene target-region produce guadagni sostanzialmente maggiori: joint replay raggiunge fleet-mean offset di 6.9 m contro 12.4 m dello static default (To Route or to Adapt? Multi-Expert Diffusion Planners in Unseen Regions). Con stesso budget di training target-region, il training target-region guida il miglioramento, mentre il replay delle scene di training limita il forgetting sugli ODD originali. Su nuPlan, fine-tuning across training cities migliora offset open-loop, anche se le performance closed-loop peggiorano. Due baseline di test-time adaptation raggiungono offset bassi producendo traiettorie degenerate (To Route or to Adapt? Multi-Expert Diffusion Planners in Unseen Regions). La selezione tra esperti ha headroom limitato; l'adattamento del planner offre guadagni open-loop maggiori.

L'adattamento appreso vale anche per l'aereo. I quadricotteri tilt-rotor reindirizzano la spinta per la traslazione senza rollio, ma complicano modellazione, state estimation, disturbance rejection. Uno stack di volo simulation-based per tilt-rotor da 2 kg usa modello nonlineare 6-DOF con dinamica motori primo ordine e tilt rotori a due assi, parametrizzato da modello CAD 3D. Un controllore PD a cascata comanda angoli di tilt forward e lateral. Un EKF 14-stati fonde dati sensori tra hover, early-transition, transition modes usando un classificatore isteretico (Schmitt-trigger) per prevenire discontinuità di covarianza (Tilt-Rotor Quadcopter with Learned Residual Control and Mode-Dependent State Estimation). Poiché il loop di posizione proporzionale lascia offset steady-state sotto vento costante, un piccolo residual neurale bounded viene aggiunto sopra il controllore PD non modificato. Addestrato per behavioral cloning da un teacher con accesso privilegiato al vento vero, mentre la rete deployata non osserva mai il vento. In simulazione, l'EKF raggiunge post-settling position RMSE di 0.226 m (orizzontale) e 0.03 m (verticale) e attitude RMSE sotto 0.8°, stimando vento (2.0, -1.2) m/s entro 0.15 m/s per asse. Il residual riduce l'errore steady-state di station-keeping sotto vento di circa 49%, da 0.117 m a 0.060 m a 1.5 m/s e da 0.319 m a 0.162 m a 3.9 m/s out-of-distribution (Tilt-Rotor Quadcopter with Learned Residual Control and Mode-Dependent State Estimation). Il framework base per studi hardware-in-the-loop e flight-test.

Anche l'IMU si libera dalla calibrazione. Metodi magnetometer-free recenti riducono la deriva nella stima del moto articolare usando vincoli rigid-body, ma richiedono tipicamente posizioni sensori pre-calibrate, assunzioni su modelli joint specifici (es. cerniere), tipi di moto limitati, o riferimento esterno per orientamento globale. Le sfide legate a impatti ad alta frequenza (es. foot strike durante la gait) e differenziazione numerica di misure rumorose non erano state affrontate esplicitamente. Un extended Kalman filter stima orientamento relativo IMU e posizione sensore simultaneamente, richiedendo né calibrazione offline posizione sensori né anchor orientamento globale (Calibration-free IMU-based Relative Orientation Estimation under Dynamic Human Motion). Uno studio sistematico in simulazione mostra che la qualità della stima di orientamento relativo e posizione sensore dipende da fonti diverse di intensità del moto: accelerazione centro joint e velocità angolare relativa, rispettivamente. Un filtro low-pass (LPF) mitiga outlier real-signal prima di applicare il vincolo rigid-body. Su dataset OpenSense con misure IMU reali su quattro soggetti con tre tipi joint lower-body durante cammino e task complessi inclusi vari tipi di moto, il metodo proposto raggiunge errore orientamento relativo overall di 2.61°, contro 10.40° per baseline con posizioni sensori stimate offline e 7.43° per baseline con posizioni sensori derivate da marker (Calibration-free IMU-based Relative Orientation Estimation under Dynamic Human Motion). Il framework calibration-free gestisce dati IMU reali efficacemente e raggiunge orientamento relativo accurato senza calibrazione offline posizione sensori.