Weave per robot umanoide: mani e corpo su nove oggetti
Weave per robot umanoide è un nuovo metodo che coordina locomozione, equilibrio e presa mentre la macchina sposta oggetti di forme diverse. Nel preprint pubblicato il 15 settembre 2026, gli autori riportano un tasso di successo del 92,5% sulle interazioni viste durante l’addestramento e del 65% su sequenze nuove costruite con gli stessi oggetti.
Il risultato riguarda nove oggetti quotidiani e una sola policy, ma richiede una cautela decisiva: l’intera valutazione è stata condotta in simulazione. Non sono documentati test fisici su Unitree G1, prove industriali o una funzione commerciale disponibile. Anche i circa 9.500 rollout pubblicati sono esecuzioni in un simulatore fisico, non ore accumulate da robot reali.
Come funziona Weave per robot umanoide
Muovere un oggetto con un umanoide non significa soltanto chiudere una pinza. Se il robot spinge una sedia, trascina una valigia o solleva un contenitore, le forze che passano attraverso le mani cambiano l’equilibrio dell’intero corpo. Piedi, bacino, braccia e dita devono quindi essere coordinati nello stesso problema di controllo.
Weave per robot umanoide appartiene alla ricerca sulla whole-body loco-manipulation: locomozione e manipolazione non sono trattate come due azioni indipendenti. La configurazione simulata utilizza un Unitree G1 con 29 articolazioni corporee comandate e due mani Inspire. Le mani aggiungono 12 articolazioni attuate; altri movimenti delle dita sono accoppiati meccanicamente nel modello. Non è dunque la configurazione standard di ogni G1 in commercio, ma un setup sperimentale specifico.
Dai movimenti umani a riferimenti eseguibili
Il processo parte da acquisizioni nelle quali una persona interagisce con un oggetto. Questi movimenti non possono essere copiati direttamente: proporzioni, cinematica e capacità di presa dell’umanoide sono diverse. Weave usa prima una fase di retargeting cinematico, poi affina il contatto tra dita e oggetto e completa automaticamente l’avvicinamento iniziale.
La policy impara infine a seguire il riferimento robot-oggetto in simulazione. Riceve informazioni sullo stato del corpo, sull’oggetto e sul riferimento futuro, quindi produce comandi per articolazioni e dita. Questo chiarisce il livello di autonomia: Weave non decide da solo quale oggetto spostare né inventa un piano a partire da un comando in linguaggio naturale. Esegue una sequenza di interazione già rappresentata nel riferimento.
Nove oggetti e quasi 23 ore di rollout
Il dataset copre nove oggetti: un treppiede, due sedie, un appendiabiti, due tavoli, una lampada da terra e due scatole. Il training split comprende 7.869 traiettorie per 19,56 ore; il test split aggiunge 1.605 traiettorie per 3,67 ore. In totale sono 9.474 rollout, poco più di 23 ore.
| Valutazione | Successo | Progresso | Interpretazione |
|---|---|---|---|
| Interazioni di training | 92,5% | 96,3% | Sequenze e distribuzione viste durante l’addestramento |
| Sequenze non viste | 65,0% | 84,5% | Stessi oggetti, ma nuove sequenze e direzioni di approccio più ampie |
| Policy unificata sul test | 95,3% | — | Confronto a parità di budget aggregato |
| Nove policy specialiste | 91,5% | — | Una policy distinta per oggetto |
Successo e progresso non sono la stessa metrica. Il primo richiede il completamento dell’interazione; il secondo misura quanto la sequenza avanza anche quando non arriva alla fine. La guida RobotPower su come leggere il tasso di successo dei robot umanoidi spiega perché denominatore, protocollo e criterio di completamento devono accompagnare ogni percentuale.
Una sola policy può battere gli specialisti
Il confronto più interessante non è il valore massimo, ma la generalizzazione fra oggetti. Con lo stesso budget aggregato di addestramento, la policy unica ottiene il 95,3% di successo sul test, contro il 91,5% medio delle nove policy specializzate. Gli autori interpretano il risultato come effetto della condivisione di schemi ricorrenti: avvicinarsi, stabilire un contatto, sincronizzare il passo con l’oggetto e mantenere la presa.
Il vantaggio non dimostra però una manipolazione universale. Il test usa le stesse geometrie del training e amplia soprattutto sequenze e direzioni di approccio. Inoltre le policy specialiste mostrano in alcuni casi errori di tracking inferiori, pur completando meno interazioni. “Una policy per nove oggetti” è quindi una generalizzazione all’interno del dominio studiato, non una capacità aperta su qualsiasi oggetto.
Il dataset è utile, ma è simulato
La pagina ufficiale del progetto mostra le interazioni e collega sia il codice pubblicato su GitHub sia il dataset su Hugging Face. La disponibilità di traiettorie, contatti e riferimenti rende il lavoro riutilizzabile per confronti e nuove policy.
L’abstract definisce i dati “physically executed rollouts”, ma il paper precisa nelle limitazioni che tutte le valutazioni avvengono in simulazione. In questo contesto “fisicamente eseguiti” indica rollout sottoposti alle dinamiche del simulatore, non esperimenti su hardware. Presentarli come 23 ore di lavoro reale di un G1 sarebbe scorretto.
Prezzo, disponibilità e possibili applicazioni
Weave per robot umanoide è un metodo di ricerca con codice e dataset pubblici, non un prodotto Unitree, un aggiornamento firmware o un’opzione acquistabile. Non esistono prezzo, disponibilità italiana o calendario commerciale documentati. Il robot simulato è una piattaforma di valutazione modificata con mani Inspire; il numero di articolazioni del setup non va trasferito automaticamente alla scheda commerciale del G1. Per orientarsi tra configurazioni e numeri, è utile l’approfondimento RobotPower sui gradi di libertà dei robot umanoidi.
La tecnologia potrebbe diventare rilevante per movimentare contenitori, arredi, carrelli o attrezzature in ambienti costruiti per le persone. Prima di parlare di applicazione servono però percezione reale, stima robusta della posa dell’oggetto, gestione degli urti, procedure di sicurezza e test ripetuti su hardware. Il paper dimostra una direzione di controllo, non la prontezza per un magazzino o una casa.
I limiti dichiarati dagli autori
Weave usa odometria e posa dell’oggetto fornite dal simulatore. Nella realtà questi segnali devono essere stimati da sensori e possono degradarsi per occlusioni, riflessi, vibrazioni o contatti imprevisti. La policy è inoltre condizionata da un riferimento: non include pianificazione ad alto livello né percezione autonoma della scena.
Gli autori indicano come lavoro futuro il trasferimento sim-to-real, l’uso di stime visive e l’estensione a oggetti articolati, più pesanti o con dinamiche diverse. Mancano anche dati su cadute, forze di contatto, danni agli oggetti, interventi umani e ripetibilità in ambienti non controllati. Sono proprio queste misure a determinare se un risultato di simulazione può diventare una capacità utile.
L’interpretazione RobotPower su Weave per robot umanoide
Il contributo più solido di Weave non è l’idea di un umanoide che “sa spostare tutto”. È la costruzione di un ponte ordinato fra interazioni umane, riferimenti robot-oggetto, contatti delle dita e controllo del corpo intero. Il dataset pubblico rende questo ponte osservabile e potenzialmente confrontabile da altri gruppi.
Il prossimo test decisivo sarà molto meno spettacolare delle demo: ripetere le stesse sequenze su hardware, pubblicare denominatori e fallimenti, stimare la posa con sensori reali e misurare le forze. Fino ad allora Weave per robot umanoide è una ricerca promettente e ben documentata in simulazione. Non è ancora una prova che un G1 possa entrare in un ambiente italiano e movimentare nove oggetti in autonomia.




