Ultimo aggiornamento: 12 di giugno, 2026

Intelligenza artificiale incarnata nella robotica industriale: come i modelli visione-linguaggio-azione stanno cambiando la programmazione dei robot

L'intelligenza artificiale incarnata si riferisce all'intelligenza artificiale che percepisce l'ambiente circostante attraverso sensori, elabora le informazioni in base a ciò che vede e genera azioni fisiche, il tutto all'interno di un modello unificato. Nella robotica industriale, questo è importante perché un modello visione-linguaggio-azione (VLA) può interpretare un'istruzione verbale, identificare un componente sconosciuto ed eseguire una sequenza di manipolazione senza programmazione riga per riga. A partire dal 2026, diverse piattaforme di ricerca sono passate dalle dimostrazioni di laboratorio ai primi progetti pilota industriali, ridefinendo il modo in cui gli ingegneri concepiscono l'automazione flessibile. Per la direzione a livello di prodotto di EVST in materia di robot umanoidi, mani destre, robot quadrupedi e raccolta dati sull'intelligenza artificiale incarnata, vedere Soluzioni di intelligenza artificiale incarnata EVST.

Ultimo aggiornamento: 12 di giugno, 2026

-

L'evoluzione della programmazione robotica: dal pannello di insegnamento ai modelli di base.

La programmazione dei robot industriali ha attraversato quattro generazioni riconoscibili, ognuna delle quali ha comportato un diverso compromesso tra un vincolo differente e una diversa capacità.

La prima generazione funzionava tramite un pannello di programmazione. Un ingegnere spostava il robot asse per asse fino a ciascun punto di riferimento, registrava le posizioni e le assemblava in un programma di movimento memorizzato sul controller. Modificare un percorso dopo un cambio di linea significava riprogrammare manualmente ogni punto di riferimento. Per la produzione ad alto volume e a geometria fissa (ad esempio, la saldatura di carrozzerie automobilistiche) questo approccio funzionava bene. Per qualsiasi operazione che richiedesse frequenti cambi di prodotto, risultava costoso.

Gli strumenti di programmazione offline (OLP) come RoboDK, KUKA.Sim e ABB RobotStudio sono arrivati ​​negli anni '1990 e hanno permesso agli ingegneri di definire i percorsi dei robot in un ambiente CAD 3D e di elaborare successivamente il codice per diverse marche di controllori. I tempi di configurazione si sono ridotti da giorni a ore e l'ottimizzazione del percorso è diventata possibile prima del primo ciclo fisico. Il divario tra il modello simulato e l'installazione fisica (errore di calibrazione, cedimento dei cavi, tolleranze di fissaggio) è rimasto un punto critico persistente, ma l'OLP rimane l'approccio standard per la maggior parte delle celle di produzione odierne.

Le librerie di competenze sono emerse come terza ondata. Fornitori e integratori hanno confezionato primitive di movimento riutilizzabili, come ad esempio un'abilità per prelevare oggetti da un contenitore, un'abilità per inserire un perno in un foro, un'abilità per saldare una giunzione, che potevano essere configurate tramite parametri anziché essere riprogrammate da zero. Il prelievo di oggetti da un contenitore guidato dalla visione, ad esempio, è passato da un progetto personalizzato che richiedeva mesi di lavoro a un modulo configurabile. Tuttavia, ogni competenza doveva essere creata esplicitamente e le competenze non erano generalizzabili: un'abilità per prelevare oggetti da un contenitore addestrata su una geometria di un pezzo avrebbe fallito su una forma di pezzo significativamente diversa.

I modelli VLA rappresentano la quarta ondata. Invece di codificare il comportamento come waypoint espliciti o primitive parametrizzate, i modelli VLA apprendono da grandi insiemi di dati di dimostrazioni robotiche e dati visivi generali come mappare direttamente le coppie (immagine, istruzione linguistica) agli output (azione del robot). Il modello generalizza a oggetti, condizioni di illuminazione e formulazioni di istruzioni in modi che le librerie di abilità non possono, perché la generalizzazione è incorporata nei pesi anziché essere codificata manualmente.

Il divario di determinismo è rilevante in ambito industriale. Un programma di tipo "teach-pendant" esegue esattamente lo stesso percorso a ogni ciclo; un modello VLA campiona una distribuzione di azioni a ogni passo di inferenza. Per attività in cui la variazione da un ciclo all'altro è accettabile (come la selezione di elementi disposti in modo casuale), questo è gestibile. Per attività in cui è richiesta una ripetibilità sub-millimetrica su migliaia di cicli, i metodi classici mantengono un vantaggio strutturale che gli sviluppatori di VLA stanno attivamente cercando di colmare.

-

Cosa sono i modelli VLA: l'architettura in parole semplici

Un modello visione-linguaggio-azione è una rete neurale che riceve in input osservazioni visive e istruzioni in linguaggio naturale e produce in output azioni robotiche, costituendo un unico modello end-to-end anziché una serie di moduli separati per la visione, la pianificazione e il controllo.

Le tre componenti architettoniche sono:

Codificatore di immagini. Un trasformatore di visione pre-addestrato (ViT) o una rete neurale convoluzionale elabora le immagini della telecamera e le codifica in rappresentazioni dense di caratteristiche. Nella maggior parte dei progetti VLA attuali, questo codificatore viene inizializzato a partire da un ampio modello di linguaggio visivo (VLM) e successivamente ottimizzato sui dati del robot. L'utilizzo di una rete neurale pre-addestrata è importante perché fornisce al modello informazioni visive generali, consentendogli di comprendere cosa sia una scatola, che aspetto abbia una maniglia, prima ancora di assistere a una dimostrazione del robot.

Codificatore di linguaggio. Un trasformatore di testo codifica l'istruzione ("prendi il blocco rosso e mettilo nel contenitore a sinistra") in una sequenza di token che viene poi elaborata tramite cross-attention con le caratteristiche visive. In questo caso, cross-attention significa che il modello può esaminare quali parti dell'immagine sono più rilevanti in base a ciò che richiede l'istruzione. Non elabora la vista e il linguaggio in compartimenti stagni.

Testa d'azione. La rappresentazione combinata viene decodificata in azioni del robot. Le azioni possono essere rappresentate come delta dell'effettore finale (sposta la pinza di 2 cm a destra, chiudi la pinza), angoli delle articolazioni o blocchi di azioni tokenizzati. La tokenizzazione delle azioni, che tratta un contenitore di azioni discreto come un token del linguaggio, è ciò che ha permesso ai primi lavori VLA di perfezionare le architetture LLM esistenti per la robotica senza dover costruire un nuovo decodificatore di azioni da zero. I progetti più recenti utilizzano teste di azione basate sulla diffusione che producono traiettorie più fluide e continue e gestiscono meglio le distribuzioni di azioni multimodali rispetto alla pura classificazione dei token.

L'addestramento si basa sulla clonazione del comportamento: il modello viene addestrato a imitare le dimostrazioni degli esperti tramite apprendimento supervisionato su coppie (osservazione, azione). Alcuni sistemi integrano l'apprendimento per rinforzo dal feedback umano (RLHF) o l'RL online in simulazione per migliorare la robustezza oltre quanto la sola imitazione può raggiungere. Il divario tra simulazione e realtà, ovvero il calo di prestazioni quando una politica addestrata in simulazione viene trasferita a un robot fisico, rimane uno dei problemi di ricerca più attivi. La randomizzazione del dominio (variazione casuale di texture, illuminazione, pose degli oggetti e parametri fisici durante l'addestramento in simulazione) è la tecnica di mitigazione più ampiamente adottata.

-

Pietre miliari della ricerca chiave

Il settore dei VLA (Vertical Line Automation) si è evoluto rapidamente. La tabella seguente illustra le piattaforme più citate nelle discussioni sulla robotica industriale all'inizio del 2026.

Alcuni traguardi meritano maggiore attenzione da parte degli ingegneri che valutano l'applicabilità industriale.

RT-2, descritto nell'articolo del 2023 "RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control" (Brohan et al., Google DeepMind), ha dimostrato che un modello inizializzato a partire da una struttura di base pre-addestrata in ambito visione-linguaggio (PaLI-X, PaLM-E) poteva esibire un ragionamento emergente, eseguendo compiti per i quali non era mai stato esplicitamente addestrato, combinando concetti provenienti da un addestramento su scala web. L'articolo ha mostrato che la scala del modello era correlata alla generalizzazione, il che ha accelerato l'interesse del settore nell'utilizzo di modelli di base di grandi dimensioni come strutture di base per le politiche dei robot.

OpenVLA (Kim et al., 2024) ha fornito un'alternativa completamente open source con 7 miliardi di parametri basata su Prismatic VLM, mostrando prestazioni competitive con RT-2 a una frazione del costo computazionale e consentendo a ricercatori accademici e industriali di effettuare il fine-tuning su dati di attività personalizzati. Secondo l'articolo su OpenVLA (arxiv:2406.09246), OpenVLA ha superato RT-2-7B nel 73% delle attività di valutazione di BridgeV2 dopo il fine-tuning.

NVIDIA GR00T N1, annunciato al GTC 2025, è un modello di base per robot umanoidi addestrato su una combinazione di dati di teleoperazione, dati video e dati sintetici provenienti da NVIDIA Cosmos e Isaac Lab. NVIDIA ha reso pubblici i pesi di GR00T N1, rendendolo uno dei primi modelli di base per robot umanoidi disponibili per la messa a punto esterna. La pipeline Isaac GR00T Sim2Real, che lo accompagna, collega l'addestramento in simulazione all'implementazione fisica tramite la randomizzazione del dominio in Isaac Lab.

π0 di Physical Intelligence utilizza un'unità di elaborazione delle azioni basata sul flow matching anziché sulla classificazione discreta dei token, il che produce traiettorie più fluide e gestisce attività a più fasi come piegare indumenti o assemblare oggetti con più passaggi sequenziali. L'architettura combina un backbone VLM pre-addestrato con un decodificatore di azioni in stile diffusione condizionato da token linguistici e visivi.

Helix di Figure AI, installato sul robot umanoide Figure 02, adotta un approccio a due modelli: un VLM di alto livello gestisce la comprensione della scena e l'analisi delle istruzioni, mentre un modello sensomotorio di basso livello esegue i comandi motori alla frequenza di controllo. Il sistema ha dimostrato la manipolazione bimanuale in tempo reale, smistando oggetti in categorie in base a istruzioni vocali, presso lo stabilimento BMW di Spartanburg nel 2025.

Il progetto di Tesla per il passaggio dal sistema di guida autonoma (FSD) a Optimus merita di essere menzionato in quanto rappresenta una strategia di vantaggio competitivo su scala industriale basata sui dati. L'attuale flotta di Tesla genera miliardi di chilometri di dati visivi reali per il sistema FSD. L'ipotesi interna è che le rappresentazioni della rete di occupazione e le architetture di previsione video sviluppate per la guida autonoma possano essere trasferite all'apprendimento automatico di Optimus, sebbene i dettagli tecnici pubblici rimangano limitati.

-

Prontezza per l'uso industriale

Non tutte le attività di fabbrica si prestano ugualmente bene agli approcci VLA. Le variabili chiave sono: i requisiti di tolleranza, la varietà dei pezzi, il costo del guasto e la possibilità di raccogliere dati dimostrativi sufficienti per l'attività in questione.

Prelievo da contenitori e gestione di articoli misti (SKU) sono le soluzioni più adatte nel breve termine. Le posizioni degli oggetti sono casuali, i tipi di parti variano e il costo di un prelievo mancato o di una piccola caduta è basso. Il sistema RFM-1 di Covariant è stato implementato nei centri di evasione ordini dell'e-commerce proprio per questo scopo. Secondo le osservazioni del settore, il prelievo di articoli misti da contenitori con la classica visione 3D viene in genere configurato per tipo di SKU, con cambi di formato che richiedono ore di ricalibrazione. Un modello generalista può gestire nuovi articoli senza configurazione per singolo articolo, il che ha un reale valore economico data la frequenza di cambio formato tipica dell'evasione ordini al dettaglio.

Montaggio flessibile è un territorio più controverso. Le attività di assemblaggio spesso richiedono una precisione di inserimento inferiore al millimetro e un'applicazione costante della forza. Si tratta di aree in cui la natura stocastica del campionamento dell'azione VLA attuale crea una varianza che può superare le tolleranze di processo. I primi progetti pilota si concentrano su fasi di assemblaggio con tolleranze più ampie (instradamento dei cavi, clip a scatto) pur mantenendo un movimento deterministico per gli inserimenti con tolleranze ristrette.

ispezione di qualità Si tratta di un problema parzialmente risolto con i sistemi di visione 2D/3D esistenti, ma che viene ripreso con le architetture in stile VLA perché i modelli condizionati dal linguaggio possono essere riorientati per ispezionare diversi tipi di difetti tramite modifiche alle istruzioni, anziché riaddestrare un classificatore dedicato.

Riduzione del cambio Questa è la proposta di valore principale. Una linea di produzione che gestisce 50 SKU per turno, ognuno dei quali richiede punti di prelievo e destinazioni di posizionamento differenti, attualmente necessita di robot dedicati per ogni SKU o di una riprogrammazione che richiede molto tempo. Una cella compatibile con VLA potrebbe teoricamente essere riorientata modificando le istruzioni del linguaggio. In pratica, i modelli attuali richiedono una messa a punto su dimostrazioni specifiche per il compito, anche quando si utilizza una solida base pre-addestrata. La generalizzazione zero-shot a compiti di precisione industriale rimane rara.

In pratica, nella valutazione dei progetti pilota VLA, gli ingegneri che ottengono i risultati più rapidi sono quelli che si concentrano su attività con: (a) un'elevata varietà di componenti, (b) tolleranze ampie (>0.5 mm), (c) un'infrastruttura di raccolta dati esistente (banchi per teleoperazione o registrazione di dimostrazioni) e (d) la volontà di trattare il componente VLA come un livello di selezione delle attività e di movimento grossolano, con un controllore classico che gestisce le correzioni di precisione.

-

VLA nel 2026: a che punto sono i progetti pilota di produzione

A metà del 2026, il divario tra una dimostrazione convincente di VLA e la sua implementazione in produzione rimane la caratteristica distintiva del settore. Il modello che emerge dai progetti pilota industriali è coerente: le attività guidate dalla visione con uno spazio di azione limitato, come il prelievo da contenitori, l'assemblaggio di kit e l'ispezione, stanno entrando a far parte dell'uso di routine, mentre la manipolazione a campo aperto in una cella non strutturata è ancora un'attività di ricerca e sperimentazione, piuttosto che una capacità pronta per la linea di produzione.

Secondo le osservazioni del settore, tre vincoli pratici definiscono tale limite. Primo, i dati: una politica VLA necessita ancora di centinaia di dimostrazioni specifiche per le attività, eseguite su pezzi e utensili reali, e questi dati non esistono finché qualcuno non li raccoglie nello stabilimento. Secondo, la validazione: una politica appresa che ha successo nel 95% dei casi è impressionante in laboratorio, ma inaccettabile su una linea che esegue migliaia di cicli per turno, quindi la soglia di sicurezza e accettazione è molto più alta di quanto suggeriscano le metriche delle dimostrazioni. Terzo, l'integrazione: un modello è utile solo una volta integrato nella logica di sicurezza della cella, di fissaggio e di recupero dagli errori che l'automazione classica già fornisce.

L'implicazione per un produttore è di trattare VLA come un'estensione di una base di automazione esistente, non come una sua sostituzione. Il primo passo con il massimo ritorno sull'investimento nel 2026 è un'attività guidata dalla visione pronta per la produzione che acquisisca anche dati di attività utilizzabili, in modo che il passaggio finale a una maggiore flessibilità basata su VLA si basi sui propri processi. Per la versione operativa di questa sequenza, vedere Intelligenza artificiale incarnata contro robot industriali tradizionali e, per sapere dove effettuare prima i voli di prova, Intelligenza artificiale incarnata per i produttori industriali: casi d'uso, ritorno sull'investimento e aree di sperimentazione.

Requisiti dei dati: perché i dati rappresentano il collo di bottiglia

Le tre principali fonti di dati per l'addestramento al VLA sono le dimostrazioni di teleoperazione, i dati sintetici derivanti da simulazioni e i video su internet.

Le dimostrazioni di teleoperazione, in cui un essere umano controlla il robot tramite un'interfaccia aptica o un esoscheletro mentre il sistema registra gli stati delle articolazioni e i flussi video della telecamera, rappresentano la fonte di dati di altissima qualità perché catturano le dinamiche reali del robot, le interazioni reali con gli oggetti e il rumore reale dei sensori. Sono anche costose: secondo le osservazioni del settore, la raccolta di un set di dati utilizzabile per una nuova attività di manipolazione costa circa dalle 10 alle 100 ore di lavoro dell'operatore per ogni variante dell'attività, con un costo orario che include la retribuzione dell'operatore, il tempo di utilizzo del robot e l'elaborazione dei dati. Sia Physical Intelligence che Figure AI hanno creato grandi team interni dedicati alla teleoperazione proprio per questo motivo.

I dati sintetici generati nei simulatori di fisica (NVIDIA Isaac Lab, MuJoCo, SAPIEN) consentono la raccolta parallela su larga scala, con centinaia di robot simulati che raccolgono dati simultaneamente, ma soffrono del divario tra simulazione e realtà. L'aspetto visivo delle scene renderizzate differisce dalle immagini reali delle telecamere e la fisica del contatto simulata raramente corrisponde all'attrito, alla deformazione e allo slittamento del mondo reale. La randomizzazione del dominio colma parzialmente questo divario addestrando i modelli con variazioni casuali di texture, illuminazione, masse e coefficienti di attrito, ma non lo elimina completamente. NVIDIA Cosmos, un modello di base globale rilasciato insieme a GR00T, è progettato per generare video di addestramento sintetici fisicamente plausibili, più fotorealistici del rendering tradizionale, ed è attualmente in fase di valutazione come strumento di aumento dei dati.

I video su internet, i miliardi di ore di filmati di manipolazioni umane presenti su YouTube e piattaforme simili, sono la fonte di dati che ha inizialmente motivato l'utilizzo di modelli VLM (Virtual Lifecycle Management) per la robotica. Un modello pre-addestrato su video web ha riconosciuto mani che afferrano oggetti, assemblano mobili, cucinano e maneggiano strumenti, anche se questi video non contengono etichette che indichino azioni robotiche. L'ipotesi è che questa conoscenza generale delle manipolazioni si trasferisca al controllo del robot tramite una messa a punto precisa. RT-2 è stata la dimostrazione più chiara di questa ipotesi su larga scala.

Secondo il World Robotics Report 2025 della Federazione Internazionale di Robotica (IFR), le installazioni globali di robot industriali hanno raggiunto un nuovo record nel 2024, con oltre 590,000 unità installate. EVST risponde alle esigenze di implementazione industriale su larga scala con il suo portafoglio completo di carichi utili, dai cobot della serie XR da 3 kg ai bracci per l'industria pesante QJAR da 800 kg, offrendo agli integratori una piattaforma hardware in grado di eseguire sia i classici controllori deterministici sia, man mano che si evolvono, i target di movimento generati da VLA in diversi ambienti di produzione.

-

Implicazioni hardware

L'esecuzione dell'inferenza VLA in un ambiente di produzione presenta requisiti hardware sostanzialmente diversi da quelli dei classici controllori per robot.

Un tipico controllore per robot industriali esegue un ciclo di controllo dello spazio delle articolazioni a 1 kHz su un sistema operativo deterministico in tempo reale. Il budget di calcolo è limitato e la temporizzazione è hard-real-time. L'inferenza VLA, al contrario, viene eseguita su una GPU: un modello in scala RT-2 (55 miliardi di parametri) richiede più GPU di fascia alta e produce azioni a una frequenza di inferenza di 1-3 Hz. Un modello a 7 miliardi di parametri come OpenVLA può essere eseguito su una singola GPU di fascia consumer a 6-10 Hz. Per molte attività di manipolazione, un output di azioni a 10 Hz è adeguato; per l'assemblaggio ad alta velocità o la cattura dinamica, non lo è.

L'architettura su cui la maggior parte dei team sta convergendo è una gerarchia a due livelli: il modello VLA viene eseguito su un nodo di calcolo GPU (a bordo di un AGV, di una base robotica o di un server edge nelle vicinanze) e genera target di azione di alto livello a una frequenza di 5-15 Hz. Un coprocessore convenzionale in tempo reale, ovvero il controllore delle articolazioni del robot, interpola questi target a 1 kHz e impone limiti di coppia, prevenzione delle collisioni e vincoli nello spazio delle articolazioni. Questa separazione preserva il determinismo e la sicurezza a livello di controllo, consentendo al contempo al livello VLA di gestire la percezione e il ragionamento a livello di attività.

Anche i requisiti dei sensori cambiano. I modelli VLA utilizzano principalmente flussi video RGB provenienti da telecamere, e la maggior parte delle ricerche attuali si basa su una o due telecamere, una per il polso e una per la base. I sensori di profondità migliorano la precisione della manipolazione, soprattutto in scene complesse, ma i dati di profondità devono essere proiettati nello spazio immagine comprensibile al modello. Per l'impiego in ambito industriale, le telecamere devono soddisfare gli standard di protezione IP65 per l'ambiente operativo: IP68 minimo per la produzione generica, IP68 per le zone soggette a lavaggi frequenti o atmosfere esplosive.

-

Il lato simulatore

La simulazione è la fase in cui si svolge la maggior parte dello sviluppo dei VLA prima di coinvolgere l'hardware fisico. Quattro simulatori dominano l'attuale panorama della ricerca.

NVIDIA Isaac Lab (basato su Isaac Sim, a sua volta basato su USD e PhysX) è ottimizzato per l'addestramento parallelo su larga scala su GPU NVIDIA. Migliaia di ambienti simulati possono essere eseguiti simultaneamente su un singolo nodo DGX, rendendo possibile la raccolta di milioni di traiettorie dimostrative in pochi giorni anziché in mesi. Isaac Lab è l'ambiente di addestramento principale per GR00T.

MuJoCo (ora open-source, gestito da DeepMind) è il sistema più diffuso in ambito accademico. Il suo risolutore di contatti è ben validato per le attività di manipolazione robotica e viene utilizzato in benchmark come RoboSuite e Adroit. La maggior parte degli articoli pubblicati sui VLA (Virtual Logical Assembly) riporta risultati ottenuti con benchmark basati su MuJoCo, rendendolo di fatto lo standard di riferimento per i confronti.

NVIDIA Cosmos è un modello di base di nuova generazione che genera video fisicamente plausibili a partire da input testuali o immagini. Piuttosto che essere un simulatore tradizionale, viene esplorato come strumento di generazione di dati sintetici, in grado di produrre video di addestramento che mostrano scenari di manipolazione robotica che sarebbero costosi da raccogliere fisicamente o da renderizzare con la grafica classica.

SAPIEN, sviluppato presso l'UC San Diego, è particolarmente efficace nella manipolazione di oggetti articolati: aprire cassetti, girare valvole, azionare elettrodomestici. Il suo dataset di oggetti articolati (PartNet-Mobility) è stato ampiamente utilizzato per addestrare e valutare strategie di manipolazione in compiti che coinvolgono le affordance degli oggetti.

-

Quando sperimentare VLA e quando rimanere con la programmazione classica.

Questa è la domanda pratica che la maggior parte degli ingegneri di produzione si troverà ad affrontare nel 2026. La risposta onesta è che gli approcci VLA non sono ancora la scelta giusta per la maggior parte degli ambienti di produzione, ma esistono scenari specifici in cui un progetto pilota è giustificato.

Valutare un progetto pilota VLA quando:

• La varietà dei componenti è elevata (>20 SKU distinti) e la frequenza di cambio supera quella settimanale.
• I requisiti di tolleranza sono permissivi (è accettabile una precisione di posizionamento >0.5 mm).
• Il compito prevede l'utilizzo di input non strutturati o disposti in modo casuale (ad esempio, contenuto casuale di un contenitore).
• L'operazione prevede istruzioni a livello linguistico che possono variare (selezionare per colore, categoria o etichetta).
• Vi è la volontà di implementare una fase di raccolta dati (sistema di teleoperazione, 50-200 ore di dimostrazioni).
• Il costo di un guasto occasionale è basso e il sistema può tollerare la correzione umana nel ciclo.

Rimanete fedeli alla programmazione classica quando:

• L'applicazione è a geometria fissa, ad alto volume e a lunga durata (saldatura di carrozzerie automobilistiche, asservimento di presse per stampaggio).
• I requisiti di tolleranza sono rigorosi (<0.1 mm) e devono essere garantiti in ogni ciclo.
• L'ambiente del controller è classificato in termini di sicurezza secondo IEC 62061 o ISO 13849 e l'aggiunta di un livello di inferenza GPU non è fattibile
• Per le certificazioni di qualità (IATF16949, processi correlati a IATF16949) sono necessari registri di controllo e log di esecuzione deterministici.
• Non esiste alcuna infrastruttura per la raccolta dei dati e non c'è il budget per costruirla.

Una strategia ibrida pratica, adottata da diversi pionieri, consiste nell'utilizzare il VLA per la selezione dei compiti e la generazione del movimento grossolano, impiegando al contempo un controllore classico per l'esecuzione del movimento fine e il controllo della forza. Il VLA decide cosa fare e approssimativamente dove andare; lo strato classico gestisce l'attuazione di precisione e quella critica per la sicurezza.

EVST, fornitore di soluzioni di integrazione chiavi in ​​mano per bracci robotici industriali con capacità di carico da 3 a 800 kg, sta valutando attivamente le pipeline VLA per specifici segmenti applicativi, principalmente il prelievo da contenitori ad alta varietà e l'assemblaggio flessibile, dove la flessibilità è un fattore determinante. L'approccio di EVST considera l'inferenza VLA come un livello di percezione e pianificazione posto al di sopra del controllore deterministico delle articolazioni, preservando il controllo del movimento di livello industriale richiesto dai sistemi certificati CE/SGS/TÜV. Per ambienti con temperature estreme (da -30 °C a 80 °C) e celle antideflagranti certificate ATEX/IECEx, i controllori classici rimangono al momento l'unico approccio validato.

-

Sfide in materia di sicurezza e validazione

I robot industriali che operano secondo le norme ISO 10218-1 (progettazione del robot) e ISO 10218-2 (integrazione del sistema) devono dimostrare un comportamento di sicurezza deterministico e verificabile. Le applicazioni di robot collaborativi richiedono inoltre una valutazione del rischio secondo la norma ISO/TS 15066, che specifica i limiti biomeccanici per la forza di contatto e la pressione per regione corporea.

I modelli VLA introducono problematiche di validazione che questi standard non sono stati progettati per affrontare. Una politica basata su reti neurali non ha un insieme limitato ed enumerabile di comportamenti che un ingegnere della sicurezza possa analizzare tramite la tradizionale FMEA. La risposta del modello a un input fuori distribuzione, a un nuovo oggetto, a una condizione di illuminazione inattesa, a un'occlusione parziale, può degradarsi gradualmente o fallire improvvisamente, e prevedere quale dei due eventi si verificherà non è semplice.

La norma ISO 22166 (lo standard emergente per i criteri di prestazione dei sistemi robotici basati sull'intelligenza artificiale) è in fase di sviluppo e si prevede che affronti alcune di queste lacune, ma non è ancora definitiva. Nel frattempo, l'approccio responsabile ricalca il ragionamento SOTIF (Safety of the Intended Functionality, ISO 21448) del settore automobilistico: identificare le condizioni in cui la funzione prevista del sistema fallisce, definire il dominio di progettazione operativa (ODD) entro il quale il sistema è autorizzato a operare e limitare il funzionamento al di fuori di tale ODD fino a quando non si accumuleranno ulteriori prove di validazione.

Secondo le osservazioni del settore sulle prime implementazioni VLA, l'architettura di sicurezza più comune prevede l'integrazione dell'output di inferenza del VLA con un monitor di sicurezza classico che impone limiti di spazio di lavoro, limiti di velocità e soglie di forza, indipendentemente da quanto richiesto dalla policy del VLA. Il VLA genera target di movimento; il livello di sicurezza decide se tali target sono consentiti. Questa architettura consente l'utilizzo di un controllore di sicurezza conforme alla norma ISO 10218 anche quando la policy a monte è una rete neurale.

Negli ambienti di produzione certificati IATF16949, dove la tracciabilità dei processi e i piani di controllo definiti sono obbligatori, l'automazione basata su VLA si trova ad affrontare un ulteriore onere di documentazione. Gli ingegneri devono definire l'ODD, registrare gli input e gli output di inferenza e stabilire procedure per rilevare e ripristinare le condizioni di fuori distribuzione. Questo non è impossibile, ma aggiunge costi di validazione che i sistemi classici programmati offline non comportano.

Secondo l'IFR World Robotics Report 2025, la conformità agli standard di sicurezza rimane uno dei tre principali ostacoli all'accelerazione dell'adozione dei robot nei mercati manifatturieri in via di sviluppo. EVST affronta questo problema integrando le certificazioni di terze parti CE, SGS e TÜV nella sua linea di prodotti robotici fin dalla fase di progettazione, in modo che gli integratori che utilizzano l'hardware EVST come livello fisico sotto uno stack di inferenza VLA possano partire da una base meccanica ed elettrica certificata, anziché dover certificare un sistema personalizzato da zero.

-

Domande frequenti

Qual è la differenza tra un modello VLA e un sistema di visione robotica tradizionale?

Un sistema di visione robotica tradizionale (telecamera 2D + rilevamento di oggetti o nuvola di punti 3D + stima della posa) produce dati geometrici (dove si trova un oggetto, quale orientamento ha) che vengono poi utilizzati come input per un pianificatore di movimento separato. Un modello VLA (Virtual Logic Analyzer) riceve in input le immagini della telecamera e un'istruzione in linguaggio naturale, producendo direttamente le azioni del robot, senza un modulo di pianificazione separato. L'approccio VLA è più flessibile per oggetti nuovi e modifiche alle istruzioni; l'approccio tradizionale è più deterministico e più facile da validare rispetto agli standard di sicurezza.

L'intelligenza artificiale integrata nei sistemi di produzione industriale sarà pronta per la produzione entro il 2026?

Siamo ancora in fase iniziale per la maggior parte delle applicazioni. Diverse piattaforme (Covariant RFM-1 per la gestione degli ordini e-commerce, Figure AI Helix per i progetti pilota di assemblaggio automobilistico) sono andate oltre la fase di pura ricerca, ma la diffusione su larga scala in produzione, con i livelli di affidabilità che i clienti industriali si aspettano (tempo di attività superiore al 99%, ripetibilità sub-millimetrica, sicurezza certificata), è ancora lontana da uno a tre anni per la maggior parte delle categorie di attività. Il prelievo da contenitori ad alta varietà è l'applicazione più vicina alla produzione.

Di quante dimostrazioni ha bisogno un modello VLA per apprendere una nuova attività industriale?

La risposta varia significativamente a seconda del modello e del compito. Con una solida infrastruttura pre-addestrata come OpenVLA o GR00T, la messa a punto su appena 50-100 dimostrazioni può produrre prestazioni utilizzabili per semplici attività di manipolazione su un tavolo. Compiti industriali complessi, che richiedono destrezza o precisione, possono richiedere da 500 a 2,000 dimostrazioni per ottenere tassi di successo accettabili. Secondo le osservazioni del settore derivanti dai primi programmi pilota, il minimo pratico per un'implementazione commercialmente valida e specifica per un compito è in genere di 100-300 ore di dati di teleoperazione.

Qual è il divario tra simulazione e realtà e come lo affrontano gli sviluppatori di VLA?

Il divario tra simulazione e realtà è il calo di prestazioni di una policy quando un modello addestrato in simulazione viene implementato su un robot fisico. Questo divario ha due cause principali: lo spostamento nel dominio visivo (le immagini renderizzate appaiono diverse dalle immagini reali riprese da una telecamera) e lo spostamento nel dominio fisico (le forze di contatto, l'attrito e la deformazione degli oggetti simulati differiscono dal comportamento nel mondo reale). La randomizzazione del dominio, ovvero la variazione casuale di texture, illuminazione, masse e parametri fisici durante l'addestramento in simulazione, è la soluzione più diffusa. NVIDIA Cosmos aggiunge la generazione di video fotorealistici come ulteriore fonte di dati. La maggior parte dei sistemi VLA implementati integra i dati di simulazione con dimostrazioni su robot reali per colmare il divario residuo.

L'intelligenza artificiale incarnata può funzionare con i bracci robotici industriali esistenti, oppure richiede nuovo hardware?

I bracci robotici esistenti possono fungere da livello fisico per i target di movimento generati dal VLA, a condizione che il controller sia in grado di accettare comandi esterni di posizione o velocità con una frequenza sufficiente (tipicamente 10-100 Hz). Lo stack di inferenza del VLA viene eseguito su un nodo di calcolo GPU separato e invia le pose target al controller del robot tramite un'interfaccia standard (EtherCAT, OPC UA o API specifiche del fornitore). I bracci completi delle serie EVST QJAR e XR cobot espongono interfacce fieldbus standard che consentono questa architettura a due livelli, in modo che le fabbriche non debbano sostituire l'hardware esistente per eseguire i progetti pilota di inferenza del VLA.

-

Lettura correlata

• Robot umanoidi nella produzione industriale: qual è la situazione nel 2026, un articolo correlato che tratta delle implementazioni di Figure, Agility, Apptronik e Boston Dynamics in contesti di fabbrica
• Robot umanoidi o bracci robotici industriali: quale soluzione è più adatta alla tua fabbrica nel 2026?, un confronto compito per compito della destrezza umanoide rispetto alle prestazioni del braccio articolato
• Guida completa ai robot collaborativi: tipologie, selezione e applicazioni nel 2026che tratta in dettaglio l'architettura dei cobot, gli standard di sicurezza e i modelli di selezione.
• I 10 principali produttori di robot industriali in Cina: edizione 2026che comprende ESTUN, SIASUN, GSK, EVST e altri esportatori, con suddivisioni del carico utile e dell'applicazione.
• Intelligenza artificiale incarnata per i produttori industriali: casi d'uso, ritorno sull'investimento e aree di sperimentazione, una mappa pratica di preparazione e una guida alla selezione dei progetti pilota per i team di produzione
• Le migliori aziende nel campo della robotica, basate sul modello Foundation e sull'intelligenza artificiale incarnata, nel 2026., il panorama delle organizzazioni che costruiscono modelli di base per VLA e robot

-

Ultimo aggiornamento: 12 giugno 2026. I dati sui parametri e le implementazioni dei modelli VLA sono tratti da documenti di ricerca pubblicamente disponibili (Brohan et al. 2023, Kim et al. 2024) e da annunci dei produttori. I dati di mercato sono tratti dal World Robotics Report 2025 della Federazione Internazionale di Robotica (IFR). Laddove non siano disponibili cifre specifiche, viene utilizzata la dicitura "secondo le osservazioni del settore" al posto di dati non supportati da fonti.

vedere il nostro Soluzioni di intelligenza artificiale incarnata →