# ACG-WAM migliora i risultati dei robot nei test RoboTwin

> Il metodo raggiunge un tasso di successo superiore al 93% nelle simulazioni e dell’85% sui robot reali, superando fino a 10 punti il risultato precedente.

Oossa · 2026-10-07 · https://oossa.com/it/new-robot-learning-method-acg-wam-beats-prior-models-on-robotwin-tasks

I ricercatori hanno presentato un nuovo metodo, chiamato ACG-WAM, per insegnare ai robot come agire sulla base di input visivi. In 50 attività simulate di RoboTwin 2.0, il sistema ha avuto successo nel 93.46% dei casi in ambienti ordinati e nel 92.68% quando le scene erano randomizzate. In tre attività nel mondo reale, ha raggiunto un successo completo dell’85.00% e un punteggio di completamento parziale del 91.67%, superando rispettivamente di 10 e 9.17 punti percentuali il precedente sistema migliore, Motus.

## Come funziona ACG-WAM

Il metodo aggiunge un predittore ausiliario che impara a prevedere in anticipo, a diversi passaggi di distanza, caratteristiche geometriche come la posizione e la forma degli oggetti, usando l’attuale inquadratura della telecamera del robot e le azioni che eseguirà. Il predittore viene addestrato con obiettivi ricavati da un encoder visivo congelato, che elabora coppie di immagini attuali e future. Una volta completato l’addestramento, il predittore aggiuntivo e i moduli insegnanti vengono rimossi, lasciando un modello leggero da eseguire sul robot.

## Cosa cambia per chi usa i robot

I tassi di successo più elevati, sia nelle simulazioni sia con hardware reale, suggeriscono che i robot che adottano ACG-WAM potrebbero imparare le attività in modo più affidabile e con meno tentativi ed errori. Per le aziende che impiegano robot in fabbriche o magazzini, il metodo potrebbe ridurre i tempi di fermo dovuti ai tentativi falliti e accorciare il tempo necessario per insegnare nuovi comportamenti.

## I fatti

- L’articolo è stato inviato il 3 Oct 2026 e pubblicato su arXiv il 7 Oct 2026.
- ACG-WAM ha raggiunto un tasso di successo del 93.46% nelle attività simulate di RoboTwin 2.0 in ambienti ordinati.
- Nelle scene simulate randomizzate ha ottenuto un tasso di successo del 92.68%, il più alto tra i metodi messi a confronto.
- In tre attività con robot reali, ha registrato un successo completo dell’85.00% e un completamento parziale del 91.67%.
- Ha superato il precedente sistema migliore, Motus, rispettivamente di 10.00 e 9.17 punti percentuali.

## Perché conta

Per chi gestisce una fabbrica, i tassi di successo più elevati indicano che i robot potrebbero imparare nuovi lavori più in fretta e commettere meno errori, riducendo potenzialmente i costi di addestramento. Tuttavia, l’articolo non riporta dati sull’affidabilità nel lungo periodo né su come il metodo si adatti ad attività più complesse: questi vantaggi restano quindi da verificare su larga scala.

## Fonti e riferimenti

1. [ACG-WAM: World-Action Modeling via Action-Conditioned Geometric Latent Prediction](https://arxiv.org/abs/2610.06965) – arXiv cs.RO, 2026-10-07

Ultimo aggiornamento: 2026-10-07