Dal Turco Meccanico di Cartesio alla celebre Rosey dei Jetson, fino ad arrivare a Data di Star Trek, l’immaginario collettivo ha sempre raffigurato i robot come macchine ultra-razionali: impeccabili nella gestione domestica, formidabili negli scacchi e capaci di apprezzare un buon mistero di Sherlock Holmes. Tuttavia, la ricerca robotica contemporanea sta percorrendo una traiettoria decisamente meno convenzionale. Cosa succederebbe se ai robot si chiedesse, invece, di eseguire un heelflip su uno skateboard? Non è una fantasia bizzarra: è scienza applicata.
Siamo all’Università del Michigan, precisamente nel Computational Autonomy and Robotics Laboratory, noto come CURLY Lab. Qui, un gruppo di ricercatori sta addestrando robot quadrupedi a muoversi con naturalezza su uno skateboard, affrontando trick e percorsi dinamici in piena autonomia. Il progetto nasce da un’esigenza ben precisa: superare i limiti degli attuali sistemi di locomozione robotica, incapaci di gestire l’interazione complessa con superfici in movimento e di adattarsi a contesti imprevedibili.
A spiegare l’obiettivo è Sangli Teng, dottorando presso il CURLY Lab e coautore dello studio ancora in fase di revisione. Secondo Teng, le tecnologie tradizionali faticano a riprodurre le dinamiche ibride dei movimenti naturali, quelli che combinano fluidità e transizioni brusche. Un esempio? Il rimbalzo di una palla: fluttuazioni continue in aria che si interrompono bruscamente al momento dell’impatto con il suolo. Per un robot, gestire questo passaggio di stato è tutt’altro che immediato.
DHAL: l’apprendimento ibrido che fa scendere i robot in pista
Per affrontare queste difficoltà, il team di Ann Arbor ha sviluppato un sistema denominato Discrete-Time Hybrid Automata Learning, abbreviato in DHAL. Si tratta di un quadro algoritmico che utilizza l’apprendimento per rinforzo on-policy, consentendo ai robot di riconoscere in autonomia quando e come modificare il proprio comportamento motorio senza necessità di una guida umana.
Con DHAL, i robot non necessitano più di una mappatura manuale delle transizioni di stato: sono loro stessi a rilevare i cambi di fase, come la spinta, il pattinamento e la salita sulla tavola. Secondo Teng, questa capacità di apprendere e adattarsi in tempo reale offre ai sistemi robotici una precisione predittiva mai raggiunta prima. Non solo per scendere in pista con uno skateboard, ma anche per manipolare oggetti complessi con più dita o arti, simulando movimenti di una mano umana.
Robot skateboarder tra trick e skate park
Grazie a DHAL, i robot quadrupedi hanno iniziato a compiere azioni che sembravano appannaggio esclusivo di skater esperti: salire sulla tavola da soli, mantenere l’equilibrio, spingere carrelli e persino navigare un vero skate park. E sì, tutto questo è accaduto realmente, nei laboratori e negli spazi esterni dell’Università del Michigan.
I movimenti appaiono fluidi, le transizioni tra una fase e l’altra si svolgono senza esitazioni visibili, e l’interazione con l’ambiente è naturale. Il sistema DHAL riduce l’intervento umano, lasciando che siano gli algoritmi a prendere le decisioni sul campo. È un cambiamento di paradigma: la robotica dinamica passa dall’esecuzione di azioni programmate a una forma di autonomia decisionale, capace di gestire l’imprevisto.
Skateboard oggi, manipolazione abile domani
Nonostante la spettacolarità delle performance su quattro ruote, i ricercatori del CURLY Lab non si fermano qui. L’obiettivo di lungo termine è trasferire queste competenze su sistemi più complessi. Secondo Teng, DHAL potrà rivoluzionare il campo della manipolazione robotica avanzata, in cui le macchine dovranno afferrare, spostare e gestire oggetti con precisione e delicatezza, prevedendo il contatto e reagendo in maniera intelligente.
Lo studio, attualmente disponibile su ArXiv, promette sviluppi rilevanti anche in applicazioni come la logistica automatizzata, il soccorso in ambienti pericolosi e la riabilitazione medica assistita. Ma per ora, la visione più affascinante resta quella dei piccoli robot che sfrecciano in uno skate park, esplorando le potenzialità dell’IA con un trick dopo l’altro.
