Efficienza energetica G1: costo meccanico ridotto del 16,3%
Efficienza energetica G1: un nuovo metodo di training ha ridotto del 16,3% il costo meccanico di trasporto durante la camminata in avanti su un Unitree G1 fisico. Il risultato arriva da un preprint inviato il 28 settembre 2026, ma richiede una precisazione immediata: non misura il consumo della batteria e non dimostra il 16,3% di autonomia in più.
Gli autori hanno addestrato il robot in simulazione con una “gravità inclinata” temporanea, equivalente a una lieve discesa virtuale, per guidare la ricerca di un’andatura più economica. Prima dell’ottimizzazione finale, questa assistenza e le ricompense dedicate vengono rimosse. La policy viene quindi valutata su terreno piano e senza una forza che continui a spingere il robot.
Efficienza energetica G1: come funziona il training
L’idea nasce dalla passive dynamic walking, la camminata passiva nella quale geometria e gravità favoriscono il movimento riducendo il lavoro attivo. Qui non si costruisce un robot passivo e non si inclina davvero il pavimento: durante le prime fasi del reinforcement learning, il simulatore applica un campo gravitazionale virtuale inclinato fino a 5 gradi in avanti.
Il curriculum aggiunge una fascia di velocità utile e una penalità per il lavoro positivo degli attuatori. Con il procedere dell’addestramento, inclinazione e ricompense specifiche svaniscono, mentre aumenta la varietà dei comandi. Circa il 44% del training avviene dopo la rimozione della pendenza virtuale, sotto la dinamica nominale che il controller incontrerà nel deployment.
La piattaforma sperimentale è un Unitree G1 a 29 gradi di libertà, controllato a 50 Hz. In simulazione gli autori usano Isaac Lab e Isaac Sim con 1.024 ambienti paralleli, randomizzazione di attrito, massa e perturbazioni. Per comprendere capacità, varianti e limiti della piattaforma commerciale, RobotPower mantiene una scheda dedicata a Unitree G1.
Dal simulatore al robot: 38 percorrenze e 258 metri
La verifica fisica confronta quattro policy: baseline e metodo proposto, ciascuna con e senza un adversarial motion prior, cioè un riferimento appreso da 127 clip di camminata umana adattate al robot. Le prove coprono avanzamento a 1,2 m/s, arretramento a 0,8 m/s e movimento laterale a 0,8 m/s.
Nel complesso, il paper documenta 38 percorrenze e 258 metri di camminata in stato stazionario. Ogni combinazione comprende da due a sei segmenti; l’accelerazione iniziale e un margine finale vengono esclusi. Un’imbracatura di sicurezza è presente in tutte le prove, ma secondo gli autori non sostiene il peso del robot durante il passo.
La distanza non viene misurata con un sistema esterno. Posizioni articolari e dati IMU registrati sul G1 sono riprodotti nel simulatore per ricostruire il movimento della base. Questa procedura recupera dal 91% al 100% della distanza quando viene verificata su log simulati, ma sul robot assume contatto senza slittamento e terreno piano.
Che cosa significa davvero il 16,3%
Con il motion prior, il metodo porta il costo di trasporto in avanti da 0,521 a 0,436: una riduzione relativa del 16,3%. Nel laterale il calo è del 17%, mentre all’indietro il risultato resta sostanzialmente invariato, +0,1%. Senza motion prior, il vantaggio in avanti è soltanto del 4,5% e ricade nella variabilità tra le prove.
È qui che l’efficienza energetica G1 deve essere interpretata con precisione. Il Cost of Transport del paper somma il valore assoluto della potenza meccanica articolare e lo normalizza per peso e distanza. Non include riscaldamento Joule, perdite delle trasmissioni, elettronica di potenza, computer, sensori o rendimento della batteria.
Il risultato segnala quindi che gli attuatori organizzano il lavoro in modo meccanicamente più economico. Non autorizza a concludere che il robot lavori il 16,3% più a lungo tra due ricariche. Per leggere correttamente percentuali, denominatori e protocolli, è utile la guida RobotPower sul tasso di successo dei robot umanoidi.
Motion prior e andatura: perché la combinazione conta
Il vantaggio maggiore emerge quando il curriculum è unito al motion prior. In simulazione, la combinazione riduce del 18,7% il costo di trasporto a velocità confrontabile. Sul robot l’andatura appare più eretta, con maggiore oscillazione naturale delle braccia, ma le immagini non bastano per giudicare efficienza o robustezza.
Il paper descrive inoltre uno spostamento del lavoro positivo dal ginocchio verso caviglia e anca. La somiglianza con il passo umano resta parziale: il G1 è ancora fortemente dominato dall’anca e i riferimenti trasferiscono cinematica, non automaticamente tendini elastici o distribuzione energetica biologica.
Prezzo e disponibilità: non è una funzione commerciale
La pagina ufficiale Unitree G1 indica un prezzo base da 13.500 dollari, tasse e spedizione escluse. Quel valore riguarda il robot commerciale nella configurazione di partenza: non comprende il metodo sperimentale, l’addestramento in simulazione, l’infrastruttura di calcolo o una licenza del controller descritto nel paper.
Non sono documentati prezzo, licenza, disponibilità italiana o integrazione ufficiale del framework. La ricerca non è una nuova modalità attivabile sui G1 venduti da Unitree. Per contestualizzare la piattaforma tra i modelli bipedi, si possono consultare l’hub RobotPower sui robot umanoidi e l’approfondimento su che cos’è l’Embodied AI.
I limiti del test sull’umanoide
L’hardware usa una sola policy addestrata per ciascuna delle quattro condizioni. I valori derivano da due a sei segmenti per cella, un campione sufficiente per un primo riscontro ma non per stabilire affidabilità industriale, durata o generalizzazione a molte unità. Anche l’interazione positiva tra curriculum e motion prior, valutata su tre seed in simulazione, sfiora ma non supera chiaramente la soglia statistica indicata dagli autori.
Tutti i risultati riguardano una sola piattaforma. Il metodo andrebbe ricalibrato su morfologie e attuatori diversi. Il calcolo considera soltanto episodi nei quali la policy avanza e non misura stabilità orbitale, cicli limite passivi, impatti, consumo elettrico totale o vita della batteria. La camminata all’indietro non riproduce sul robot il vantaggio osservato in simulazione.
L’interpretazione RobotPower
Il valore della ricerca è metodologico: mostra che un’andatura può essere indirizzata verso una minore richiesta meccanica modificando temporaneamente le condizioni nelle quali viene scoperta, non soltanto aggiungendo una penalità energetica. L’assistenza scompare prima del deployment; ciò rende il passaggio più interessante di una spinta permanente che maschererebbe il costo reale.
Per trasformare l’efficienza energetica G1 in un vantaggio operativo servono ora misure elettriche complete, più policy e robot, terreni variabili e missioni prolungate. Il 16,3% è un segnale hardware promettente sul costo meccanico in avanti con motion prior. Non è ancora una prova di autonomia superiore, risparmio economico o prodotto pronto per l’industria.




