EquivDP3 robot umanoide: più risultati con 5 demo
EquivDP3 robot umanoide è una nuova policy sperimentale che prova a insegnare a un Unitree G1 virtuale a camminare, afferrare e trasportare oggetti usando poche dimostrazioni. Nel preprint inviato il 29 settembre 2026, il metodo raggiunge in media il 67,1% di successo con 5–10 dimostrazioni, contro il 38,2–52,4% dei quattro encoder di confronto.
Il risultato è interessante soprattutto per il suo perimetro: due compiti in IsaacLab, una variante simulata di G1 e nessun deployment fisico. Gli autori non presentano un aggiornamento software pronto per i robot Unitree; misurano se una rappresentazione geometrica della point cloud aiuti la policy quando i dati sono pochi.
EquivDP3 robot umanoide: che cosa cambia nella percezione
Una point cloud descrive la scena come un insieme di punti tridimensionali. Un encoder standard può imparare che una scatola resta la stessa quando cambia posizione o orientamento, ma deve ricavare questa regolarità dagli esempi. EquivDP3 inserisce invece nell’architettura le simmetrie SIM(3): rotazione, traslazione e scala uniforme.
In termini semplici, l’encoder cerca una descrizione coerente anche quando l’oggetto ruota, si sposta o cambia dimensione. La rotazione è gestita con Vector Neuron Networks; la traslazione con il centraggio della nuvola di punti; la scala dipende dalla normalizzazione interna. Questa struttura non rende il robot automaticamente capace di riconoscere qualsiasi oggetto: riduce il lavoro che la rete deve imparare da zero nelle condizioni testate.
La policy riceve 1.024 punti 3D e uno stato propriocettivo. Un pianificatore a diffusione produce a circa 6 Hz sequenze di comandi per polsi, mani, velocità, altezza della base e torso. Sotto questo livello, una policy HOMIE già addestrata controlla le gambe a 50 Hz, mentre PINK converte le pose dei polsi in target articolari per le braccia.
La separazione è sostanziale: il pianificatore decide dove andare e che cosa manipolare, ma non impara da quelle poche demo a mantenere da solo l’equilibrio. La locomozione dipende da un controllore reinforcement learning pre-addestrato e congelato. La guida RobotPower sull’embodied AI aiuta a leggere questa catena come integrazione di percezione, pianificazione e controllo, non come un unico cervello generalista.
I due test simulati su Unitree G1
Il benchmark usa il modello “Galileo” da 43 giunti in IsaacLab. Quattordici giunti delle dita restano bloccati, lasciando 29 articolazioni corporee attuate. Nel primo compito il robot cammina verso uno scaffale, solleva una scatola con due mani, ruota e la trasporta fino a un contenitore. Nel secondo, con base fissa, esegue un pick-and-place bimanuale.
Le dimostrazioni disponibili per l’addestramento vengono ridotte a budget di 5, 10, 50 o 100. Il confronto include PointNet, PointNet con augmentation, DGCNN e un Point Cloud Transformer. Gli autori valutano condizioni simili al training e condizioni out-of-distribution con variazioni più ampie.
Nel gruppo da 5–10 esempi, EquivDP3 ottiene il 67,1% medio sulle due attività e sulle due condizioni, 14,7 punti sopra il miglior baseline. A 50–100 demo, però, il vantaggio scompare: tutti gli encoder si collocano fra il 74,3% e l’85,2%, ed EquivDP3 arriva all’82,6%, 2,6 punti sotto PointNet con augmentation.
Il dato più utile non è quindi “vince sempre”, ma “aiuta quando gli esempi sono pochi”. La guida RobotPower sul tasso di successo dei robot umanoidi spiega perché budget, denominatore e condizioni contano quanto la percentuale finale.
Dove nasce il vantaggio e dove si ferma
Nel sistema EquivDP3 robot umanoide, la scomposizione per sotto-obiettivi mostra che tutti gli encoder portano il robot vicino allo scaffale. La differenza emerge nel sollevamento della scatola: con cinque dimostrazioni, EquivDP3 raggiunge il 90%, contro il 77%, 42%, 32% e 18% dei baseline. È coerente con l’architettura, perché l’avvicinamento dipende soprattutto dal controllore locomotorio congelato, mentre la presa richiede di interpretare la geometria 3D.
Gli autori hanno anche addestrato una policy “cieca”, con la point cloud azzerata. Nel pick-and-place in-distribution, con cinque demo passa dal 31% della versione cieca al 60% di EquivDP3; con dieci, dal 78% al 99%. A 50 e 100 dimostrazioni, invece, la policy senza visione arriva già al 92–94% e le differenze rientrano nel rumore statistico.
Questa verifica limita una lettura troppo ottimistica: nei budget più grandi il compito può essere risolto ripetendo una distribuzione stretta, senza usare davvero la scena 3D. Anche sotto variazione, la policy cieca conserva il 62–65% da dieci dimostrazioni in poi. Il paper conclude che il benchmark dovrebbe randomizzare di più posizioni e layout.
Latenza, autonomia e confronto con altri metodi
L’encoder aggiunge 0,8 millisecondi per blocco di azioni rispetto a PointNet. È un costo ridotto nel setup misurato, perché la catena di denoising del modello a diffusione domina la latenza. Non è però una misura di ciclo completa su un computer a bordo di G1.
Il confronto con Rolling-WAM su Unitree G1 chiarisce il livello di evidenza: Rolling-WAM include 60 prove fisiche di manipolazione, mentre EquivDP3 resta interamente simulato. In entrambi i casi una policy riceve nuove osservazioni e genera comandi in anello chiuso, ma le dimostrazioni di training e i controllori preesistenti restano parte essenziale della pipeline.
Non c’è teleoperazione durante l’esecuzione simulata, ma parlare di autonomia generale sarebbe improprio. Il robot affronta due task definiti, con subgoal, ambiente e criteri di successo predisposti. Non vengono testati persone in movimento, oggetti sconosciuti, errori dei sensori, recupero nel mondo reale o funzionamento prolungato.
Prezzo e disponibilità: metodo di ricerca, non prodotto
EquivDP3 non ha prezzo, licenza commerciale o disponibilità italiana documentati. Il sito ufficiale Unitree indica G1 a partire da 13.500 dollari, ma quel valore riguarda l’hardware base e non la configurazione Galileo simulata, il training, i controllori o l’integrazione descritta nel paper.
La scheda RobotPower di Unitree G1 distingue il modello standard dalle versioni EDU e mantiene separata la disponibilità commerciale dalla presenza in un esperimento. Per un laboratorio italiano servirebbero inoltre hardware compatibile, accesso allo stack software, compute, competenze IsaacLab e una validazione fisica che oggi il lavoro lascia al futuro.
Limiti e interpretazione RobotPower
Il principale limite è chiaro: nessuna prova sul robot reale. Ogni budget usa inoltre un solo training seed; gli autori stessi chiedono una replica con almeno tre seed e intervalli di confidenza. Nel test out-of-distribution non emerge un vantaggio coerente per tutti i budget, e una parte dei risultati può dipendere dal tetto del benchmark.
Per RobotPower, il metodo conta perché propone una leva concreta per ridurre il fabbisogno di dimostrazioni: incorporare nella percezione le regole geometriche che altrimenti la rete dovrebbe imparare. È una direzione utile per ricerca, logistica e manipolazione mobile, dove raccogliere dati su hardware costa tempo e aumenta il rischio.
Il passo successivo decisivo non è un’altra percentuale in simulazione, ma il trasferimento su G1 reale con più run, oggetti e layout. Fino ad allora, EquivDP3 robot umanoide va letto come un risultato promettente sulla data efficiency, non come una nuova capacità acquistabile o già disponibile sui robot Unitree.




