← Conoscenze e approfondimenti

Comprendere la Physical AI

Come i robot mobili imparano nei capannoni virtuali

Uno studio mostra i benefici del modello digitale del capannone e perché la verifica decisiva avviene sul robot reale.

Nivama Robotics5 min di lettura

Un robot mobile deve attraversare un capannone e raggiungere la destinazione senza bloccarsi davanti agli ostacoli. La sua strategia di navigazione può essere addestrata prima in un ambiente virtuale. Che funzioni poi sul pavimento reale è una domanda distinta. Proprio questo passaggio è stato studiato da ricercatori di Idealworks e NVIDIA in un lavoro pubblicato nell’ottobre 2026.

Il gruppo ha utilizzato una replica digitale del centro di sviluppo Idealworks, verificando poi la navigazione appresa su un iw.hub reale. L’adattamento a questo ambiente, comprese varianti aggiuntive delle immagini generate con NVIDIA Cosmos, ha portato la percentuale di successo dal 65,3 al 91,7 percento su quattro scenari. Il sistema di navigazione già impiegato in produzione ha raggiunto il 100 percento. Lo studio del 24 ottobre 2026 è un preprint; i dati valgono per questa configurazione sperimentale.

Il risultato evidenzia due aspetti: l’addestramento virtuale può preparare un compito reale, ma il trasferimento all’ambiente effettivo va misurato. Un buon risultato nel simulatore, da solo, non indica con quale affidabilità un veicolo raggiungerà la destinazione nel capannone.

Un ambiente di prova con condizioni modificabili

Per capire il principio consideriamo un esempio semplificato elaborato per questo articolo. Un robot mobile deve portare un contenitore da un’area di preparazione a una macchina. Tra i due punti ci sono un corridoio rettilineo, una curva e un carrello parcheggiato. In un modello virtuale si possono disporre questi elementi senza modificare il capannone reale a ogni prova. Vanno considerate anche le dimensioni del robot: un passaggio libero per un piccolo carrello può essere troppo stretto per un robot più largo.

La simulazione calcola il comportamento degli oggetti modellati e genera osservazioni per il sistema in addestramento. Un’immagine virtuale può, per esempio, mostrare il corridoio dal punto di vista del veicolo. Un’azione ne cambia la posizione e modifica di conseguenza l’osservazione successiva. Nasce così una sequenza di situazioni, decisioni e risultati.

Un metodo di apprendimento può specificare quale comportamento sia desiderabile. Nel nostro esempio potrebbe essere raggiungere la destinazione evitando collisioni. Premiare soltanto la velocità sarebbe inadeguato se il robot potesse urtare gli ostacoli. L’obiettivo di apprendimento deve quindi esprimere che cosa rende accettabile il processo. Questo rapporto è alla base dell’apprendimento per tentativi e riscontri, descritto anche da NVIDIA nella propria ricerca robotica.

Un solo capannone virtuale, sempre uguale, sarebbe però un ambiente di esercizio molto limitato. L’illuminazione resterebbe identica, il carrello sarebbe sempre nello stesso punto e le superfici avrebbero lo stesso aspetto. Un modello potrebbe ottenere risultati eccellenti in queste condizioni senza essere preparato ai cambiamenti che si presentano nel funzionamento reale.

Per questo durante l’addestramento vengono spesso variate alcune proprietà dell’ambiente. Il termine tecnico è domain randomization. Nella propria documentazione pratica, NVIDIA ne spiega il principio: invece di cercare una sola corrispondenza perfetta con la realtà, si modificano parametri entro un intervallo. L’obiettivo è rendere il modello capace di gestire condizioni differenti.

Nel tragitto illustrativo verso la macchina, il carrello potrebbe trovarsi prima a sinistra e poi a destra del corridoio. La luce potrebbe essere più intensa o più debole. Queste variazioni devono essere pertinenti al problema studiato. Mille immagini con pareti di colore diverso servono poco se la difficoltà effettiva è una curva troppo stretta. La quantità di prove simulate non sostituisce quindi una scelta accurata delle situazioni.

Il confronto decisivo avviene nel capannone

Una telecamera virtuale e una reale non producono automaticamente immagini identiche. Anche movimento, ritardi e contatto con il pavimento possono differire dal modello. Questa distanza tra simulazione e realtà viene chiamata sim-to-real gap. La replica digitale è quindi uno strumento di lavoro basato su ipotesi, la cui precisione deve essere adeguata al compito.

Un confronto utile per il nostro esempio verificherebbe lo stesso tragitto prima virtualmente e poi sul sistema reale. Partenza, destinazione, ostacoli e criterio di successo sarebbero definiti. Se una versione funzionasse soltanto nel simulatore, si potrebbe individuare il punto nel quale il comportamento reale diverge. È più informativo che confrontare due percorsi completamente diversi sotto lo stesso titolo.

La valutazione deve includere più osservazioni. La prima è il raggiungimento della destinazione. Seguono tempo di percorrenza, arresti e necessità di aiuto umano. Un robot che arriva dopo un intervento deve restare riconoscibile nelle statistiche. Anche un veicolo che attende regolarmente prima di una strettoia può avere un’elevata percentuale di completamento e, al tempo stesso, rallentare il flusso dei materiali.

Una serie di prove fittizia chiarisce il riferimento: 36 arrivi riusciti su 40 percorsi definiti corrispondono a un successo del 90 percento. Il dato descrive quei 40 percorsi. Non dimostra che ogni altro tragitto funzioni altrettanto bene, né che la stessa percentuale si mantenga per un turno intero. Per affermarlo servirebbero ulteriori prove progettate a questo scopo.

Nello studio, le varianti basate sull’apprendimento hanno registrato collisioni e arresti di protezione negli scenari più difficili. La navigazione di produzione è rimasta senza collisioni. Il confronto impiega inoltre presupposti diversi: la navigazione appresa elabora immagini, mentre il sistema di produzione usa una mappa esistente e sensori laser. La sola crescita del tasso di successo non dimostra quindi una sicurezza equivalente né la sostituibilità del sistema esistente.

Per le aziende, l’utilità della simulazione consiste in verifiche preliminari mirate. Strettoie, scenari e varianti di addestramento possono essere preparati prima di estendere le prove reali. La decisione sull’impiego richiede poi risultati nell’ambiente previsto. L’addestramento virtuale ha valore quando il suo contributo è dimostrabile con un percorso concreto e ripetibile sul sistema reale.

Fonti verificate il 12 novembre 2026. I risultati della ricerca si riferiscono al preprint collegato. Il percorso, il piano di prova e il calcolo sui 40 tragitti sono esempi esplicativi elaborati per questo articolo.