Perché il controllo diretto della coppia è il segnale mancante nell’imitation learning
I modelli di imitation learning addestrati solo su movimento e visione entrano in crisi quando arrivano nel mondo reale. Il Direct Torque Control rende forza e interazione fisica segnali di primo piano, favorendo una transizione più affidabile dal laboratorio alla fabbrica.
Con l’evoluzione dell’AI applicata alla robotica, che va oltre percezione e pianificazione per entrare nell’interazione fisica, un limite continua a emergere sia nei laboratori sia nelle implementazioni pilota.
I robot addestrati solo su movimento e visione faticano quando inizia il contatto reale.
Inserimento, assemblaggio, lucidatura e passaggi di oggetti non sono definiti solo da dove si muove un robot, ma da come interagisce con il mondo. Forza, cedevolezza e risposta fisica determinano il successo dell’operazione, eppure la maggior parte delle pipeline di apprendimento continua a trattarle come effetti secondari.
Il Direct Torque Control nasce per cambiare questo approccio.
Dal motion replay all’interazione fisica
La maggior parte dei robot industriali espone il controllo a livello di posizione o velocità. Questa astrazione funziona per l’automazione deterministica, ma nasconde ai sistemi di apprendimento le vere dinamiche del robot.
Per l’imitation learning, questo diventa un limite strutturale.
Le dimostrazioni umane codificano un’intenzione fisica:
come aumenta la forza durante un inserimento;
come viene gestita la resistenza in caso di disallineamento;
come si modula il contatto quando le tolleranze variano.
Se questi segnali sono invisibili al robot, vengono persi anche dal modello.
Il Direct Torque Control espone il controllo della coppia a basso livello e le dinamiche calibrate del robot, consentendo ai sistemi di apprendimento di ragionare sulla forza e sull’interazione all’end effector, invece di limitarsi a riprodurre traiettorie di movimento.
Perché conta oltre il laboratorio
Molte pipeline di imitation learning si basano su controller VR, teleoperazione cinematica o hardware destinato esclusivamente alla ricerca. Questi approcci spesso non offrono una fedeltà adeguata sul piano della forza e non riflettono le condizioni di produzione.
Il risultato è noto:
- dimostrazioni pulite;
- modelli promettenti;
- deployment fragili.
Il Direct Torque Control porta l’imitation learning su robot di livello industriale, dove le dimostrazioni acquisiscono fin dall’inizio interazioni reali e vincoli fisici concreti.
Cosa abilita il Direct Torque Control per l’apprendimento dei modelli AI
l Direct Torque Control è un’interfaccia a basso livello nello stack software di Universal Robots, che consente agli sviluppatori di comandare direttamente le coppie del robot attraverso un’interfaccia di controllo low-level, invece di lavorare su posizioni o velocità.
Per l’apprendimento dei modelli, questo abilita tre elementi che il controllo di livello superiore non può offrire.
- La forza diventa un segnale di apprendimento di primo piano. Il contatto non è più un effetto collaterale del movimento. I modelli possono osservare, apprendere e agire sulla base di forza, pressione e cedevolezza durante l’interazione reale.
- L’apprendimento avviene sulle dinamiche reali del robot. Gli sviluppatori accedono a dinamiche robotiche calibrate — matrici di massa, Jacobiani, termini di Coriolis, feedback dei giunti — e possono costruire controller e modelli di apprendimento sulla fisica reale di robot industriali, non su approssimazioni.
- C’è continuità dalla simulazione al deployment. Training ed esecuzione avvengono sullo stesso stack di controllo e sullo stesso hardware, consentendo ai modelli sviluppati in simulazione o in ambienti di ricerca di essere trasferiti direttamente su robot reali, senza riscrivere il livello di controllo. In modo decisivo, il Direct Torque Control aggiunge cedevolezza e risposta alla forza in tempo reale, quindi i modelli non devono essere perfetti fin dall’inizio. Quando il robot entra in contatto con il mondo reale, il rilevamento e il controllo della coppia gli permettono di adattarsi dinamicamente, riducendo l’attrito sim-to-real e rendendo il deployment più robusto in attività non strutturate o ad alta intensità di contatto.
Questa combinazione permette ai sistemi di apprendimento di sostenere il contatto anche fuori dalle demo controllate.
Il Direct Torque Control nell’Imitation Learning System di UR
Il Direct Torque Control è una capacità fondativa all’interno di Universal Robots AI Trainer.
Nel setup leader-follower:
- gli operatori umani guidano i robot leader attraverso attività reali;
- i robot follower replicano il movimento in tempo reale;
- le dimostrazioni acquisiscono dati sincronizzati di movimento, forza e visione.
L’accesso a livello di coppia garantisce che le dimostrazioni includano contatto, cedevolezza e risposta fisica, producendo dataset adatti al training e al fine-tuning dei moderni modelli di manipolazione e Vision Language Action (VLA).
Un aspetto decisivo è che tutto questo avviene sugli stessi robot destinati al deployment.
Progettato per la Physical AI, non solo per la sperimentazione
Con la maturazione della Physical AI, la forza non sarà un caso limite. Diventerà il segnale che separa gli esperimenti di laboratorio dai sistemi capaci di operare in modo affidabile sul piano di fabbrica.
Il Direct Torque Control rende questo segnale accessibile già oggi, combinando feedback di coppia in tempo reale e cedevolezza con sicurezza, affidabilità e continuità operativa di livello industriale.
Per i team che costruiscono pipeline di imitation learning, questa è la differenza tra modelli che appaiono promettenti in contesti controllati e sistemi che possono essere rinforzati, implementati e scalati negli ambienti di produzione.
