Affettare una zucchina o sbucciare una patata dolce rimangono, per un robot industriale, operazioni con margine di errore alto. Ogni ortaggio ha una geometria diversa: nessuna banana è identica all'altra. Ricercatori dell'EPFL (Politecnico Federale di Losanna) e dell'Idiap Research Institute hanno pubblicato su Science Robotics un approccio che supera questa barriera, non insegnando al robot ogni singola forma ma dotandolo di un modello geometrico universale.
Il problema era la geometria irregolare
La robotica industriale eccelle da decenni con oggetti standardizzati: scatole, flaconi, componenti meccaniche. I guai iniziano con gli oggetti a forma libera, privi di simmetria regolare. Una zucchina da 200 grammi ha curvature diverse da una da 300; una banana acerba si incurva diversamente da una matura. I sistemi tradizionali richiedevano un addestramento separato per ogni variazione di forma, moltiplicando i costi e riducendo la flessibilità della linea di produzione.
Il team ha risolto il problema con la geometria differenziale discreta: il robot costruisce una mappa tridimensionale a nuvola di punti dell'oggetto, identifica i punti di riferimento chiave sulla superficie e usa l'equazione della diffusione, la stessa matematica che descrive la propagazione del calore, per costruire una rappresentazione fluida e coerente della forma. Il robot non memorizza la banana: impara a leggere le superfici curve in generale.
Zero-shot transfer: il dato che distingue questa ricerca
La novità rispetto alla letteratura precedente è il cosiddetto zero-shot transfer: il sistema addestrato su un oggetto generalizza autonomamente a oggetti mai visti prima, senza riaddestrare il modello. I test condotti su 50 oggetti deformati casualmente hanno dimostrato che la variazione nelle traiettorie d'azione è sensibilmente inferiore rispetto ai metodi convenzionali, a indicare che il sistema mantiene coerenza anche di fronte a geometrie nuove.
Il sistema ha eseguito con successo sbucciatura di banane e patate dolci, affettatura di verdure e probing di superfici. Lo ha fatto anche con dati sensoriali parziali o rumorosi, in ambienti disordinati (le condizioni reali di una linea di produzione alimentare, non di un laboratorio controllato). Il sistema si integra con teloperazione, ottimizzazione di traiettoria e apprendimento per rinforzo. Il paper è pubblicato su Science Robotics - EPFL e Idiap, DOI 10.1126/scirobotics.aea1762.
La stessa logica, comprendere la struttura geometrica per generalizzare invece di memorizzare ogni caso, è al centro di ricerche parallele: i ricercatori cinesi che hanno sintetizzato un diamante più duro del naturale hanno sfruttato la struttura cristallina esagonale per superare le proprietà del diamante naturale, partendo dallo stesso principio.
Il mercato aspettava questa svolta: quasi 3 miliardi nel 2026
I numeri dell'industria mostrano perché questa ricerca arriva al momento giusto. Il mercato globale dei robot alimentari vale tra 2,95 e 3,33 miliardi di dollari nel 2026 (stime di diverse società di analisi) e crescerà a un tasso del 20% annuo fino a raggiungere tra 15 e 17 miliardi entro il 2035. L'Europa detiene il 34% della quota di mercato globale; l'Italia è il secondo paese europeo per robot industriali installati, con 8.783 nuove installazioni nel 2024.
La carenza di manodopera nel settore alimentare è il motore principale: il 91% delle aziende che adottano robot collaborativi li usa per compensare la mancanza di personale. Finora, la manipolazione di alimenti a forma irregolare restava fuori dal perimetro pratico dell'automazione. Le immagini più nitide dell'universo primordiale prodotte dal telescopio Atacama mostrano come sistemi di visione sempre più precisi stiano ridefinendo i limiti del riconoscimento di forme complesse; la scoperta del cratere di impatto più antico della Terra ha richiesto tecnologie analoghe di riconoscimento di strutture geometriche.
Con lo zero-shot transfer, un robot può ora affrontare un ortaggio mai visto prima senza costosi riaddestramenti. Per le aziende alimentari italiane, che operano con linee multi-prodotto, alta variabilità stagionale e margini stretti, questa flessibilità vale quanto il risparmio di manodopera che la tecnologia promette.
