Nei video dimostrativi dei robot umanoidi domestici compare con sorprendente frequenza la stessa attività: piegare il bucato. LG Electronics, Figure AI, Sunday Robotics, 1X, Weave Robotics e Tesla hanno mostrato in momenti diversi robot impegnati a sistemare magliette, camicie e altri indumenti, trasformando un lavoro domestico apparentemente banale in una delle prove più ricorrenti della robotica avanzata. Il motivo è che piegare un capo di abbigliamento, per un robot, è molto più complesso di quanto sembri e permette di valutare alcune delle capacità fondamentali necessarie per operare realmente all’interno di un’abitazione.
La difficoltà principale deriva dal fatto che gli indumenti sono oggetti deformabili. Una tazza o una sedia mantengono sostanzialmente la propria geometria quando vengono spostate o afferrate, mentre una maglietta cambia forma continuamente. Se il robot la prende da un lato, il resto del tessuto cade, si piega e si sposta in funzione del punto di presa, del peso, del materiale e della disposizione iniziale. Il sistema non deve quindi soltanto individuare dove afferrare il capo, ma anche prevedere come cambierà la sua configurazione nel momento in cui verrà sollevato e come dovranno essere adattati i movimenti successivi.
La manipolazione di oggetti deformabili è per questo diventata un’area specifica della ricerca robotica, con benchmark dedicati alla valutazione delle capacità dei sistemi. Nel caso del bucato, inoltre, cambiano continuamente tipo di indumento, dimensioni, tessuto, orientamento, livello di piegatura e posizione sul piano di lavoro. Anche due magliette apparentemente identiche possono presentarsi al robot in configurazioni completamente diverse. La prova non misura quindi soltanto la precisione delle mani robotiche, ma soprattutto la capacità di interpretare una situazione mai incontrata prima e di adattare il comportamento durante l’azione.
È proprio questa capacità di generalizzazione a rendere il bucato particolarmente interessante. L’obiettivo non è dimostrare che un robot abbia imparato a piegare una determinata camicia dopo numerosi tentativi eseguiti sempre nelle stesse condizioni, ma verificare se riesce a manipolare correttamente un capo nuovo, disposto in modo diverso rispetto agli esempi utilizzati durante l’addestramento. Piegare il bucato diventa così un modo relativamente semplice da osservare per verificare quanto un sistema sia capace di trasferire ciò che ha appreso a situazioni fisiche nuove.
Ayanna Howard, esperta di robotica e rettrice della Spelman University, ha definito da tempo la capacità di insegnare ai robot a piegare i vestiti uno dei principali obiettivi ancora irrisolti del settore. Figure AI ha descritto la stessa attività come uno dei compiti di manipolazione più complessi per un robot umanoide. La difficoltà è nota da anni e i tentativi di automatizzare specificamente questa attività non sono mancati. Laundroid, robot giapponese per la piegatura automatica della biancheria venduto a circa 16.000 dollari, non riuscì a trasformarsi in un prodotto sostenibile e l’azienda fallì nel 2019. FoldiMate attirò invece molta attenzione durante diverse edizioni del CES alla fine degli anni 2010, senza arrivare alla commercializzazione su larga scala.
I primi sistemi dedicati alla piegatura erano penalizzati soprattutto dagli elevati costi hardware e dalla scarsa affidabilità. La differenza rispetto agli sviluppi attuali riguarda però soprattutto il modo in cui viene affrontato il problema. In precedenza si progettava una macchina specificamente adattata alla biancheria; oggi si cerca invece di addestrare un sistema di intelligenza artificiale generale capace di imparare anche a manipolare il bucato. L’obiettivo non è più creare una macchina che sappia eseguire una sola sequenza, ma sviluppare modelli capaci di adattarsi attraverso l’esperienza, correggere gli errori e trasferire ciò che hanno imparato ad attività differenti.
Per ottenere questo risultato stanno assumendo un ruolo centrale i dati raccolti durante l’interazione con il mondo fisico. Quando un robot sbaglia, un operatore umano può intervenire, correggere l’azione e trasformare il fallimento in nuovi dati di addestramento. Questo tipo di informazioni è molto più difficile da reperire rispetto ai dati utilizzati per addestrare i grandi modelli linguistici. Internet contiene quantità enormi di fotografie, video e descrizioni di oggetti comuni, ma pochissimi esempi strutturati che mostrino come recuperare un calzino finito sotto un divano, come comportarsi quando un oggetto ostacola il movimento o quale presa utilizzare quando un indumento è parzialmente nascosto.
Per questo alcune aziende stanno cercando di raccogliere dati direttamente nelle abitazioni. Sunday Robotics ha sviluppato sistemi destinati ad apprendere dalle attività domestiche reali, mentre la startup statunitense Micro AGI sta utilizzando un approccio ancora più diretto: fornire gratuitamente servizi di pulizia professionale e chef personali ad alcuni utenti di New York in cambio della possibilità di raccogliere grandi quantità di dati sulle operazioni svolte nelle case. Il valore di queste informazioni deriva proprio dalla varietà delle situazioni reali, difficilmente riproducibili completamente all’interno di un laboratorio.
L’obiettivo economico rende necessario andare molto oltre il bucato. Un robot umanoide domestico può costare migliaia o decine di migliaia di dollari e non avrebbe senso acquistarlo esclusivamente per piegare gli abiti, soprattutto quando esistono servizi molto più economici per svolgere quella singola attività. Per diventare realmente utilizzabili nelle abitazioni, questi sistemi devono quindi dimostrare di poter svolgere molti compiti differenti sfruttando lo stesso hardware e lo stesso modello di controllo.
Le prove utilizzate nello sviluppo dei robot domestici riflettono questa esigenza. Lo smistamento dei giocattoli misura la capacità di classificare gli oggetti e comprenderne la posizione nello spazio. Sistemare piatti e stoviglie richiede un controllo accurato della forza e della presa, perché il robot deve evitare di rompere oggetti fragili mentre li posiziona correttamente. Preparare il caffè introduce invece una difficoltà ulteriore: il sistema deve riconoscere diversi oggetti, comprendere a cosa servono e concatenare più azioni in una sequenza coerente orientata a un unico obiettivo.
Sunday Robotics sta ampliando proprio in questa direzione le capacità del robot ACT-2. Oltre alla gestione del bucato, il sistema viene addestrato per pulire, organizzare giocattoli, chiudere cerniere, raddrizzare capi indossati o disposti al rovescio e preparare il caffè. Ogni attività aggiunge nuove combinazioni di percezione, manipolazione e pianificazione, aumentando progressivamente la varietà delle situazioni che il robot deve essere in grado di affrontare.
Il problema diventa ancora più complesso quando si passa da singoli compiti definiti a istruzioni aperte come “pulisci la casa”. Piegare una maglietta presenta comunque una sequenza relativamente chiara: individuare il capo, distenderlo, allinearlo e piegarlo. Pulire un ambiente richiede invece di interpretare la situazione prima ancora di iniziare. Il robot deve stabilire quali oggetti siano fuori posto, capire dove debbano essere riposti, distinguere ciò che deve essere spostato da ciò che deve rimanere dov’è e decidere autonomamente l’ordine delle operazioni.
Anche il risultato finale è meno definito. Il concetto di “casa pulita” dipende dalle preferenze dell’utente e dal contesto, mentre gli oggetti presenti in una stanza e la loro disposizione possono cambiare continuamente. Un robot domestico realmente autonomo deve quindi passare dall’esecuzione di azioni apprese alla comprensione di un obiettivo espresso in modo generico, trasformandolo autonomamente in una serie di attività concrete e adattando il piano quando incontra ostacoli o situazioni impreviste.
La ricerca sta iniziando per questo a separare sempre più nettamente la valutazione delle singole azioni dalla capacità di portare avanti compiti domestici complessi per periodi prolungati. LongAct, benchmark pubblicato nel 2026, valuta proprio la pianificazione e l’esecuzione di attività di lunga durata descritte attraverso istruzioni in linguaggio naturale. Nei test condotti con i modelli più recenti, il tasso complessivo di completamento dei compiti si è fermato intorno al 16%, mostrando quanto sia ancora ampia la distanza tra una dimostrazione controllata e un robot capace di operare autonomamente per lungo tempo in un ambiente domestico.
Piegare il bucato rappresenta quindi soltanto il primo livello del problema. Dimostra se il robot riesce a percepire e manipolare un oggetto altamente variabile, prevederne le trasformazioni e generalizzare ciò che ha imparato. Le attività domestiche complete richiedono invece qualcosa di ulteriore: comprendere una situazione, costruire autonomamente un piano, scegliere quali azioni eseguire, correggerle durante il lavoro e mantenere l’obiettivo per una sequenza potenzialmente molto lunga.
Per questo le magliette piegate nei video dei robot umanoidi non sono semplicemente una dimostrazione spettacolare di automazione domestica. Dietro un gesto quotidiano si concentrano alcuni dei problemi fondamentali della robotica moderna: manipolazione di oggetti deformabili, generalizzazione, previsione delle conseguenze fisiche delle azioni, apprendimento dai fallimenti e adattamento a contesti mai incontrati prima. Il vero traguardo non sarà quindi il robot capace di piegare perfettamente una camicia, ma quello che, trovandosi davanti a una casa diversa da tutte quelle viste durante l’addestramento, sarà comunque in grado di capire cosa deve fare e come farlo.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)