robotica

Robot arrampicatore bioispirato con adesione e adattabilità avanzate

by

Un passo avanti nella robotica

Un recente studio pubblicato su Science Advances presenta un innovativo robot arrampicatore ispirato alla natura, capace di muoversi su diverse superfici e in ambienti misti. Questo dispositivo rappresenta un significativo progresso nel campo della robotica, aprendo nuove possibilità per applicazioni in esplorazione, ispezione e manutenzione.

Design bioispirato

Il robot è stato progettato prendendo spunto da creature naturali, ottimizzando le capacità di adesione e adattamento al contatto. Questo approccio bioispirato permette al robot di affrontare sfide complesse, come il movimento su superfici irregolari, verticali e persino in transizione tra ambienti diversi, come aria e acqua. La sua capacità di adattamento apre la strada a nuove applicazioni.

Adesione e adattabilità

Il robot combina sistemi di adesione avanzati con meccanismi di adattamento al contatto, garantendo una presa sicura su una vasta gamma di materiali. Questa combinazione permette al robot di superare ostacoli e variare la sua presa. Queste caratteristiche sono fondamentali per l’utilizzo in ambienti complessi e imprevedibili, dove la capacità di navigare su diverse superfici è essenziale.

Applicazioni future

Le potenziali applicazioni di questo robot sono molteplici, inclusi l’esplorazione di ambienti pericolosi, l’ispezione di infrastrutture e l’assistenza in operazioni di soccorso. La sua versatilità e affidabilità lo rendono uno strumento prezioso per numerose attività. Ulteriori sviluppi potrebbero portare a robot ancora più sofisticati e capaci, aprendo nuove frontiere nel campo della robotica.

Fonte: Science Advances

Localizzazione di robot mobili tramite un nuovo sensore simile a un ‘whisker’

by

Nuova tecnologia per la navigazione dei robot in ambienti difficili

Un recente articolo pubblicato su arXiv (arXiv:2601.05612v1) presenta un innovativo sistema di localizzazione per robot mobili basato su sensori tattili simili a ‘whisker’ (baffi). Questi sensori, particolarmente adatti in contesti dove la visione e i sensori a lungo raggio sono inaffidabili, come ambienti ristretti, disordinati o a scarsa visibilità, offrono un approccio rivoluzionario.

Il lavoro descrive un framework per stimare i punti di contatto e la localizzazione del robot in un ambiente planare noto, utilizzando un singolo sensore ‘whisker’. Il fulcro della ricerca è lo sviluppo di modelli di sensori virtuali, che mappano le configurazioni del robot alle osservazioni sensoriali, consentendo un ragionamento strutturato attraverso il concetto di preimmagini. Questo approccio astrae dalle implementazioni fisiche, concentrandosi sull’incertezza dello stato.

Combinando le osservazioni sensoriali con un modello di movimento, il sistema stima accuratamente il punto di contatto, consentendo la ricostruzione dei confini degli ostacoli. L’intersezione degli stati dedotti dalle osservazioni correnti con gli stati proiettati in avanti dai passaggi precedenti, permette una localizzazione precisa del robot senza fare affidamento su sistemi di visione o esterni. Il framework, validato tramite simulazioni ed esperimenti fisici con un sensore ‘whisker’ a basso costo e basato sull’effetto Hall, dimostra errori di localizzazione inferiori a 7 mm.

Questa tecnologia si propone come un’alternativa leggera e adattabile alla navigazione basata sulla visione, aprendo nuove frontiere per la robotica in ambienti complessi.

Paper: ArXiv.org

Rilevamento delle anomalie per il monitoraggio generico dei guasti nell’assemblaggio, avvitamento e manipolazione robotica

by

Rilevamento delle anomalie nella robotica: un approccio generico

La manipolazione robotica, l’assemblaggio, l’avvitamento e la levigatura, comportano spesso l’interazione con l’ambiente circostante. In tali scenari, il rilevamento delle anomalie (AD) rappresenta una soluzione promettente per identificare i guasti e prevenire malfunzionamenti. Questo studio esplora l’applicazione dell’AD basata sui dati per il monitoraggio dei guasti in diversi compiti robotici industriali.

L’obiettivo è quello di creare un sistema in grado di rilevare le deviazioni dai modelli attesi, consentendo di attivare comportamenti di sicurezza e strategie di recupero. I ricercatori hanno analizzato diversi metodi basati su autoencoder utilizzando dati di serie temporali, come i segnali di forza/coppia, ottenuti durante attività come il cablaggio, l’avvitamento e la levigatura. L’approccio è stato valutato per la sua generalizzazione tra diversi compiti e metodi di controllo, dimostrando un’elevata affidabilità nel rilevare i guasti, con valori di AUROC superiori a 0.96 in scenari di cablaggio e avvitamento.

I risultati evidenziano l’importanza di un AD efficiente e versatile. Questo approccio promette di migliorare l’affidabilità e la sicurezza dei sistemi robotici industriali, consentendo una risposta tempestiva ai guasti e riducendo il rischio di danni.

Paper: ArXiv.org

PartDexTOG: Afferrare oggetti con destrezza e orientamento al compito tramite l’analisi delle parti guidata dal linguaggio

by

Nuova tecnica per la presa di oggetti con mani robotiche

Un recente studio pubblicato su arXiv (2505.12294v2) presenta PartDexTOG, un innovativo metodo per la presa di oggetti da parte di robot con mani dexterous (capaci di movimenti complessi e precisi). La ricerca, focalizzata sull’afferrare oggetti in modo efficiente, si basa sull’analisi delle parti degli oggetti, guidata dal linguaggio naturale.

Le mani dexterous offrono maggiore precisione e versatilità, ma la loro programmazione è complessa. PartDexTOG affronta questa sfida utilizzando modelli linguistici di grandi dimensioni (LLM) per comprendere la funzione delle diverse parti di un oggetto e generare descrizioni dettagliate della presa in base al compito da svolgere. Ad esempio, se il compito è ‘versare l’acqua’, il sistema individuerà la parte ‘manico’ e genererà una presa adatta.

Il sistema utilizza un modello di diffusione condizionata per generare prese dexterous per ogni parte dell’oggetto. Un algoritmo di consistenza geometrica seleziona poi la combinazione di presa e parte più plausibile. I risultati ottenuti sul dataset OakInk-shape mostrano miglioramenti significativi rispetto alle tecniche precedenti, dimostrando una notevole capacità di adattamento a nuove categorie di oggetti e compiti.

PartDexTOG rappresenta un significativo passo avanti nella robotica, aprendo nuove possibilità per l’automazione di compiti complessi che richiedono manipolazione precisa e adattabile.

Paper: ArXiv.org

iTeach: Insegnamento Interattivo per la Percezione Robotica Utilizzando la Realtà Mista

by

iTeach: Migliorare la Percezione Robotica in Tempo Reale

I robot che operano in ambienti reali spesso incontrano oggetti e scenari che superano i modelli di percezione pre-addestrati. L’adattamento di questi modelli richiede tipicamente la raccolta lenta di dati offline, l’etichettatura e il riaddestramento. Per affrontare questa sfida, è stato sviluppato iTeach, un sistema human-in-the-loop che consente ai robot di migliorare continuamente la percezione durante l’esplorazione di nuovi ambienti.

Il sistema si basa sull’interazione umana: un utente osserva le previsioni del robot, corregge gli errori in tempo reale e questi dati guidano la messa a punto iterativa. Un visore per la realtà mista fornisce l’interfaccia, sovrapponendo le previsioni alla vista dell’utente e consentendo annotazioni leggere tramite sguardo e voce. Invece di una noiosa etichettatura fotogramma per fotogramma, l’utente guida il robot verso le scene desiderate e registra brevi video durante l’interazione con gli oggetti. L’utente etichetta solo il fotogramma finale, e un modello di segmentazione video propaga le etichette attraverso la sequenza, convertendo pochi secondi di input in una supervisione densa.

Il modello perfezionato viene implementato immediatamente, chiudendo il ciclo tra il feedback umano e l’apprendimento del robot. Dimostrazioni pratiche hanno mostrato miglioramenti costanti su modelli di riferimento pre-addestrati, portando a un maggiore successo nella presa di oggetti. iTeach offre un approccio pratico verso sistemi di percezione che generalizzano in modo robusto in diverse condizioni del mondo reale.

Paper: ArXiv.org

SceneFoundry: Generazione di Mondi 3D Interattivi e Infiniti

by

SceneFoundry: Generazione di Mondi 3D Interattivi e Infiniti

La capacità di generare automaticamente ambienti 3D su larga scala, interattivi e fisicamente realistici è fondamentale per l’avanzamento dell’apprendimento robotico e dell’intelligenza incarnata. Tuttavia, gli approcci generativi esistenti spesso non riescono a catturare la complessità funzionale degli interni del mondo reale, in particolare quelli contenenti oggetti articolati con parti mobili essenziali per la manipolazione e la navigazione.

Questo articolo presenta SceneFoundry, un framework di diffusione guidato dal linguaggio che genera mondi 3D su scala appartamento con mobili funzionalmente articolati e layout semanticamente diversi per l’addestramento robotico. Da prompt in linguaggio naturale, un modulo LLM controlla la generazione del layout del pavimento, mentre il campionamento a posteriori basato sulla diffusione popola in modo efficiente la scena con risorse articolate da repository 3D su larga scala.

Per garantire l’usabilità fisica, SceneFoundry utilizza funzioni di guida differenziabili per regolare la quantità di oggetti, prevenire le collisioni di articolazione e mantenere uno spazio percorribile sufficiente per la navigazione robotica. Ampie sperimentazioni dimostrano che il nostro framework genera ambienti strutturalmente validi, semanticamente coerenti e funzionalmente interattivi in diversi tipi di scene e condizioni, consentendo una ricerca su larga scala sull’IA incarnata.

Paper: ArXiv.org

Safety Not Found (404): Rischi Nascosti nel Decision Making Robotico basato su LLM

by

Safety Not Found (404): Rischi Nascosti nel Decision Making Robotico basato su LLM

Un errore di un sistema di intelligenza artificiale in un contesto critico per la sicurezza può costare vite umane. Con l’integrazione dei Large Language Models (LLM) nel decision-making robotico, la dimensione fisica del rischio cresce; una singola istruzione errata può mettere direttamente in pericolo la sicurezza umana. Questo articolo affronta l’urgente necessità di valutare sistematicamente le prestazioni degli LLM in scenari in cui anche errori minori sono catastrofici.

Attraverso una valutazione qualitativa di uno scenario di evacuazione antincendio, sono stati identificati casi di fallimento critici nel decision-making basato su LLM. Sulla base di questi, sono stati progettati sette compiti per la valutazione quantitativa, suddivisi in: Informazioni Complete, Informazioni Incomplete e Ragionamento Spaziale Orientato alla Sicurezza (SOSR). I compiti di informazioni complete utilizzano mappe ASCII per minimizzare l’ambiguità di interpretazione e isolare il ragionamento spaziale dall’elaborazione visiva. I compiti di informazioni incomplete richiedono ai modelli di dedurre il contesto mancante, testando la continuità spaziale rispetto alle allucinazioni. I compiti SOSR utilizzano il linguaggio naturale per valutare il processo decisionale sicuro in contesti in cui la vita è in pericolo. Sono stati confrontati vari LLM e modelli di linguaggio visivo (VLM) in questi compiti.

I risultati rivelano gravi vulnerabilità: diversi modelli hanno ottenuto un tasso di successo dello 0% nella navigazione ASCII, mentre in una simulazione di esercitazione antincendio, i modelli hanno istruito i robot a muoversi verso aree pericolose invece che verso le uscite di emergenza. La conclusione è che gli attuali LLM non sono pronti per l’implementazione diretta in sistemi critici per la sicurezza. Un tasso di accuratezza del 99% è pericolosamente fuorviante in robotica, poiché implica che un’esecuzione su cento potrebbe causare danni catastrofici.

Paper: ArXiv.org

Sguardo all’Intenzione: Manipolazione Robotica Guidata dallo Sguardo tramite Modelli Fondazionali

by

Sguardo all’Intenzione: Manipolazione Robotica Guidata dallo Sguardo tramite Modelli Fondazionali

La progettazione di interfacce intuitive per il controllo robotico rimane una sfida cruciale per una efficace interazione uomo-robot, specialmente in contesti di assistenza. Lo sguardo offre una modalità di input rapida, non intrusiva e ricca di intenzioni, rendendola un canale attraente per comunicare gli obiettivi dell’utente. In questo lavoro, presentiamo GAMMA (Gaze Assisted Manipulation for Modular Autonomy), un sistema che sfrutta il tracciamento dello sguardo egocentrico e un modello visione-linguaggio per dedurre l’intento dell’utente ed eseguire autonomamente compiti di manipolazione robotica.

Contestualizzando le fissazioni dello sguardo all’interno della scena, il sistema mappa l’attenzione visiva a una comprensione semantica di alto livello, consentendo la selezione e la parametrizzazione delle competenze senza addestramento specifico per il compito. Valutiamo GAMMA su una serie di compiti di manipolazione da tavolo e lo confrontiamo con il controllo basato sullo sguardo di base senza ragionamento. I risultati dimostrano che GAMMA fornisce un controllo robusto, intuitivo e generalizzabile, evidenziando il potenziale della combinazione di modelli fondazionali e sguardo per un’autonomia robotica naturale e scalabile. Il sito web del progetto è disponibile all’indirizzo: https://gamma0.vercel.app/

Paper: ArXiv.org