Come può un robot afferrare oggetti complessi in un attimo?

Immagina un robot che, come una mano umana, riesce a prendere oggetti di forme e dimensioni diverse senza sbagliare. Questo è possibile grazie a MCFG‑Net, una rete neurale che combina informazioni a più scale e da diversi strati del suo “cervello” digitale. In pratica, il robot osserva l’immagine dell’oggetto con una serie di filtri che catturano sia i dettagli minuti (come i bordi) sia le forme più grandi (come la silhouette). Il modulo MSFEM (Multi‑Scale Spatial Feature Enhancement) evita che questi dettagli si perdano, mantenendo la coerenza spaziale tra le varie risoluzioni. Poi entra in gioco il CFAM (Cascaded Fusion Attention Module), che agisce come un filtro intelligente: seleziona le informazioni più utili e scarta il rumore, così le connessioni “skip” tra encoder e decoder non si confondono. Il risultato è una previsione di rettangoli di presa a livello di pixel, calcolata in tempo reale. Nei test, MCFG‑Net ha raggiunto il 99,62 % di precisione sul dataset Cornell e il 94,46 % su Jacquard, due benchmark molto usati nella robotica. Quando è stato provato su un robot AUBO i5, ha afferrato correttamente il 98,5 % degli oggetti singoli e il 95 % in scenari con più bersagli, dimostrando che la tecnologia funziona anche in ambienti disordinati. In sostanza, la fusione multi‑scala e l’attenzione cascata permettono al robot di “vedere” meglio e di afferrare più sicuro, avvicinandosi sempre di più a una mano artificiale davvero versatile.

Il cuore di MCFG‑Net è un'architettura encoder‑decoder con connessioni skip, ispirata alle U‑Net usate in segmentazione medica. L'encoder estrae feature a diverse risoluzioni mediante convoluzioni dilatate, mentre il decoder ricostruisce la mappa di presa. Il modulo MSFEM introduce una piramide di feature arricchita da convoluzioni 3×3 a stride 1, seguite da un'operazione di concatenazione che preserva le informazioni spaziali locali. Inoltre, utilizza un meccanismo di dilatazione variabile per ampliare il campo recettivo senza aumentare il numero di parametri, riducendo la perdita di dettaglio tipica delle tradizionali Feature Pyramid Networks. Il CFAM, invece, combina un'attenzione canale‑spaziale con una fusione cascata: prima un SE‑block (Squeeze‑Excitation) pesa le mappe di attivazione per canale, poi un meccanismo di self‑attention calcola una matrice di correlazione tra pixel della stessa scala, enfatizzando le regioni più rilevanti per la presa. Questa doppia attenzione elimina il mismatch semantico tra feature di basso e alto livello, migliorando la coerenza semantica durante la fusione. L'output finale è una griglia di dimensioni 224×224, dove ogni cella contiene i parametri (x, y, θ, w) della presa. La loss function combina una regressione L2 per la posizione e l'orientamento con una penalità di overlap (IoU) per la larghezza, garantendo una stima precisa anche su oggetti parzialmente occlusi. L'addestramento avviene su dataset sintetici e reali, con data‑augmentation (rotazioni, scaling, rumore) per aumentare la robustezza in ambienti non strutturati.