Seul , Corea del Sud, 2 ottobre 2025: Ricercatori sudcoreani hanno sviluppato un nuovo sistema robotico che imita l’elaborazione della memoria umana per migliorare le prestazioni dei robot mobili autonomi in ambienti industriali. La tecnologia consente ai robot di dare priorità ai dati in tempo reale e di scartare le informazioni obsolete, migliorando l’efficienza della navigazione nei centri logistici e nelle fabbriche intelligenti. Lo studio è stato condotto dal Daegu Gyeongbuk Institute of Science and Technology (DGIST) e pubblicato sul Journal of Industrial Information Integration.
La ricerca introduce un modello di “IA fisica” che si basa sul concetto di “diffusione e oblio”, ispirato al modo in cui i problemi sociali emergono e svaniscono nel tempo. Questo approccio consente ai robot autonomi di filtrare i dati obsoleti, come gli ostacoli incontrati in precedenza che non esistono più, evitando così deviazioni inutili e ottimizzando il flusso di lavoro. Il professor Kyung-Joon Park del Physical AI Center del DGIST ha guidato il team di ricerca, che includeva Jiyeong Chae e Sanghoon Lee. Il team si è concentrato sul miglioramento delle capacità di navigazione cooperativa dei robot mobili autonomi (AMR), comunemente utilizzati nelle operazioni di produzione, logistica e magazzino.
I sistemi di navigazione convenzionali spesso costringono i robot a deviare il percorso aggirando gli ostacoli, riducendo la produttività operativa anche dopo che l’ostacolo è stato rimosso. Per testare il nuovo sistema, i ricercatori hanno utilizzato il simulatore Gazebo per ricreare un ambiente logistico. Le prestazioni del modello di intelligenza artificiale fisica sono state confrontate con il framework ROS 2 (Robot Operating System 2) ampiamente utilizzato. Il nuovo modello ha mostrato una riduzione del tempo medio di guida fino al 30,1% e un aumento della produttività fino al 18%.
La Corea del Sud amplia la ricerca sulla robotica con nuove alleanze
Secondo i ricercatori , il modello consente ai robot di condividere solo dati ad alta priorità, come la posizione di un ostacolo attuale, dimenticando gradualmente le informazioni non più rilevanti. Questa condivisione selettiva dei dati è progettata per ridurre il sovraccarico di comunicazione all’interno delle flotte di robot e per migliorare il coordinamento generale senza richiedere calcoli esterni o elaborazione cloud. Il sistema funziona utilizzando sensori LiDAR 2D, eliminando la necessità di costosi hardware aggiuntivi.
È stato sviluppato come plugin per ROS 2, consentendone un’integrazione semplice nelle piattaforme robotiche esistenti. I ricercatori hanno sottolineato che l’approccio è progettato per funzionare in tempo reale, senza dipendere da ambienti statici pre-mappati. Oltre a una navigazione migliorata, il sistema offre potenziali vantaggi nella riduzione del consumo energetico e dell’usura meccanica, evitando percorsi inefficienti e fermate non necessarie. Questi miglioramenti potrebbero contribuire a ridurre i costi operativi in ambienti ad alta produttività, dove ritardi e affaticamento delle apparecchiature sono fattori significativi.
Miglioramento della produttività delle attività con il modello di memoria selettiva
La tecnologia è stata progettata per un immediato utilizzo industriale ed è compatibile con le attuali infrastrutture robotiche. Sebbene i test iniziali siano stati condotti in ambienti simulati, i ricercatori hanno notato che il plugin è ora disponibile per l’applicazione in sistemi AMR commerciali. Questo sviluppo si inserisce nel contesto del crescente interesse per l’automazione robotica in Corea del Sud . All’inizio di quest’anno, il Paese ha lanciato la K-Humanoid Alliance, un’iniziativa nazionale volta a coordinare la ricerca in robotica e intelligenza artificiale nei settori accademico, industriale e governativo.
La ricerca DGIST si aggiunge a un portafoglio crescente di innovazioni volte a rendere i sistemi autonomi più adattabili ed efficienti nelle operazioni del mondo reale. Il modello basato sull’intelligenza artificiale fisica rappresenta un cambiamento nel modo in cui i robot elaborano e agiscono sui dati ambientali, con particolare attenzione al processo decisionale in tempo reale e alla precisione operativa. Il team di ricerca ha reso il plugin accessibile al pubblico per facilitarne l’adozione in una vasta gamma di settori, tra cui logistica, produzione e sviluppo di sistemi autonomi. – A cura di Content Syndication Services .