I robot umanoidi Apollo 2 raggiungono il 96% nella prova di concetto di smistamento di Mercedes-Benz

Il 10 novembre 2026, Google DeepMind ha presentato Gemini Robotics 2.5, comunicando un tasso di successo del 96% nello smistamento di componenti automobilistici da parte dei robot umanoidi Apollo 2 di Apptronik, nell’ambito di una prova di concetto sulle linee di produzione Mercedes-Benz operative.

Gemini Robotics 2.5 è un modello visione-linguaggio-azione (VLA), che collega la comprensione visiva e linguistica alle azioni dei robot. DeepMind lo sta distribuendo ai partner nel settore della robotica. La pagina ufficiale del modello descrive il controllo di robot che spazia dai bracci da tavolo ai corpi umanoidi completi, con capacità di mantenere l’equilibrio dinamico mentre fanno passi, si accovacciano e si piegano, e offre una lista d’attesa per l’accesso anticipato.

Apollo 2 esegue il kitting automobilistico

Il lavoro in fabbrica si è svolto negli stabilimenti Mercedes-Benz di Kecskemét, in Ungheria, e Sindelfingen, in Germania, dove DeepMind, Apptronik e la casa automobilistica hanno fatto funzionare Apollo 2 su linee di produzione operative. Nella prova di concetto, il robot umanoide ha smistato autonomamente i componenti prelevandoli da contenitori alla rinfusa e disponendoli in vassoi nell’esatta sequenza richiesta da ciascun veicolo.

Il flusso di lavoro era suddiviso tra due modelli. Gemini Robotics ER monitorava i progressi, mentre Gemini Robotics 2.5 muoveva le mani e le braccia del robot umanoide per prelevare staffe metalliche per automobili dai contenitori di approvvigionamento, collocarle in contenitori di sequenziamento e correggere eventuali spazi vuoti. La configurazione di Apollo 2 sottoposta a test utilizzava una mano SharpaWave a cinque dita con 22 gradi di libertà. DeepMind presenta l’affidamento di questa preparazione ripetitiva ai robot come un modo per mantenere operative le linee di assemblaggio, consentendo ai tecnici di concentrarsi sulle fasi di costruzione più complesse.

Jeff Cardenas, cofondatore e CEO di Apptronik, ha dichiarato:

«Abbinando Apollo 2 a Gemini Robotics, abbiamo visto i modelli migliorare notevolmente in appena poche settimane di addestramento successivo e trasferire le loro capacità alla produzione Mercedes-Benz con un calo minimo delle prestazioni.»

Progressi nella destrezza e valutazione della sicurezza

Oltre alle attività in fabbrica, la suite di valutazione comprendeva più di 200 compiti distinti, tra cui servire cibo con le pinze, annodare il fiocco di una confezione regalo e pipettare liquidi. I compiti combinavano l’uso avanzato di utensili, la manipolazione complessa di oggetti deformabili e la manipolazione accurata di oggetti delicati. A seconda del tipo di compito, il modello ha ottenuto tassi di successo dal 30% al 100% superiori rispetto ai precedenti valori di riferimento e ha completato i compiti dal 20% al 30% più rapidamente, riferisce DeepMind.

Per garantire la sicurezza fisica, il modello utilizza indicazioni basate sul ragionamento durante l’inferenza per aggirare i pericoli in tempo reale. Nelle valutazioni di DeepMind, il completamento sicuro dei compiti è migliorato del 33% in presenza di ostacoli e del 43% in presenza di persone nelle vicinanze. Il rilascio affronta anche i compiti agentici a orizzonte lungo, nei quali la sicurezza deve essere mantenuta attraverso più passaggi.

DeepMind ha inoltre rilasciato ASIMOV-Jailbreak, un benchmark open source i cui prompt dissimulano richieste non sicure in decine di scenari. Gemini 4 Argon ha raggiunto una resistenza ai jailbreak del 99,5%, rispetto all’82% del precedente modello di riferimento Gemini Robotics ER 2, riferisce DeepMind. Il repository mette a disposizione codice e dati per la valutazione con licenza MIT.

La valutazione avversaria multi-turno V3 comprende 845 campioni distribuiti in 15 gruppi di strategie e consente fino a 10 passaggi. Combina verifiche deterministiche delle chiamate agli strumenti d’azione con un sistema di valutazione basato su un modello linguistico di grandi dimensioni. L’insieme di test abbina compiti di manipolazione da tavolo dannosi e innocui, così da misurare il successo degli attacchi insieme all’eccesso di rifiuto di richieste innocue e verificare se un modello rifiuta le istruzioni non sicure senza respingere anche quelle sicure.

Addestramento in simulazione con Gemini 4 Argon

DeepMind attribuisce a Gemini 4 Argon il merito di aver accelerato lo sviluppo di Gemini Robotics 2.5 attraverso la simulazione. Argon può generare migliaia di sessioni di pratica diversificate a partire da una scena ripresa da una telecamera nel mondo reale e creare un gemello digitale realistico. Insieme alle dimostrazioni di addestramento reali, queste sessioni aiutano i robot a generalizzare più rapidamente a nuove scene e oggetti. I ricercatori possono anche usare Argon per formulare possibili spiegazioni dei fallimenti nei compiti a partire dai video e testare i miglioramenti in simulazione e sui robot fisici.

Un post per sviluppatori del 13 ottobre 2026 documenta questo approccio in un esperimento separato. L’esperimento è partito da una singola fotografia a colori di un tavolo reale, che Argon ha ricostruito come simulazione fisica MuJoCo calibrata, prima di generare oltre 4.500 episodi di addestramento con condizioni randomizzate. Google ha riferito che il tasso di successo del robot reale è salito dal 56% al 75%, mentre il tempo di completamento è sceso da 35 a 24 secondi.

Questo esperimento precedente non è un benchmark di Gemini Robotics 2.5, ma illustra il ciclo di sviluppo alla base del rilascio. Per la robotica industriale, l’annuncio riunisce in un unico flusso di lavoro la generazione di dati simulati, il controllo dell’hardware e i test avversari sulla sicurezza. Resta da capire quanto efficacemente questo flusso di lavoro possa essere trasferito, con risultati costanti, ad altri robot e luoghi di lavoro oltre il compito di kitting dimostrato.