ROBOTICA UMANOIDE

Asus Gallop, il robot umanoide che impara dagli operai e si addestra in fabbrica


Indirizzo copiato

Asus entra nella robotica umanoide con Gallop, un sistema che sta sperimentando nelle proprie fabbriche di elettronica. Il robot apprende le operazioni osservando gli addetti, attraverso simulazione e teleoperazione. I primi test presso i clienti sono previsti nel 2027, mentre il debutto commerciale è atteso nel 2028.

Pubblicato il 16 nov 2026



AI Questions Icon
Chiedi all'AI
Riassumi questo articolo
Approfondisci con altre fonti
Asus Gallop, il robot umanoide che impara dagli operai e si addestra in fabbrica





Asus entra nel mercato della robotica umanoide con Gallop, un robot progettato per svolgere attività manuali ripetitive nelle fabbriche di elettronica. A differenza di molti progetti che vengono presentati attraverso dimostrazioni in ambienti controllati, il produttore taiwanese ha scelto di sviluppare e addestrare il proprio robot direttamente nelle linee di produzione del gruppo, partendo da una specifica attività di confezionamento degli accessori delle schede madri.

L’obiettivo è raggiungere un tasso di successo del 99,5% nell’esecuzione di un ciclo di 20 secondi, equivalente allo standard richiesto agli operatori umani per la stessa attività. Gallop è però ancora nelle prime fasi di sviluppo e Asus prevede di avviare i test presso i clienti nella seconda metà del 2027, con una possibile disponibilità commerciale nella seconda metà del 2028.

Il progetto è stato presentato da S.Y. Hsu, co-CEO di Asus, in un’intervista alla CNBC del 13 novembre. A illustrarne le caratteristiche tecniche è stato poi Albert Chang, co-responsabile del Physical AI Solutions Business Group, in un approfondimento pubblicato dall’azienda.

La prima applicazione di Gallop: confezionare gli accessori delle schede madri

Il primo compito affidato a Gallop riguarda una postazione di confezionamento in uno stabilimento EMS (Electronics Manufacturing Services) del gruppo Asus.

L’operazione consiste nel prelevare e confezionare 15 piccoli accessori destinati alle schede madri, molti dei quali sono contenuti in sacchetti sottili e trasparenti. Un operatore umano completa normalmente il ciclo in circa 20 secondi.

La scelta di questa attività non è casuale. Manipolare componenti piccoli, leggeri e deformabili richiede capacità di presa e controllo difficili da ottenere con i tradizionali organi di presa industriali. La presenza di sacchetti flessibili introduce ulteriori variabili: il robot deve individuare gli oggetti, afferrarli senza danneggiarli e collocarli correttamente nella confezione.

Asus vuole dimostrare che un robot dotato di due bracci e mani capaci di manipolazioni complesse può svolgere una parte sostanziale di queste operazioni, lavorando nelle postazioni già utilizzate dagli addetti.

Il confronto con le prestazioni umane rappresenta il criterio con cui misurare il progetto. Non basta che Gallop riesca a completare un’operazione: per essere utilizzabile industrialmente dovrà ripeterla con continuità, rispettando tempi e standard qualitativi, senza richiedere un’assistenza costante da parte del personale.

Secondo Asus, il processo di apprendimento e prova nella postazione reale è già operativo: gli addetti mostrano l’attività al robot, Gallop apprende e le operazioni vengono poi verificate sulla linea. Non sono stati però ancora comunicati risultati quantitativi che consentano di stabilire quanto sia vicino all’obiettivo del 99,5%.

Come impara Gallop: osservazione degli operai, simulazione e teleoperazione

Una delle caratteristiche più interessanti del progetto riguarda il sistema di addestramento, che combina modelli di intelligenza artificiale, osservazione del lavoro umano, simulazione e teleoperazione.

Asus non intende sviluppare da zero un grande modello proprietario di intelligenza artificiale per la robotica. La strategia consiste nell’utilizzare modelli aperti già addestrati sulle interazioni fisiche tra mani e oggetti, adattandoli progressivamente alle operazioni che il robot deve svolgere.

La parte più significativa del processo è però la raccolta delle dimostrazioni direttamente in fabbrica.

Gli operatori esperti indossano, con il loro consenso, una piccola telecamera sulla testa, che permette di registrare le attività dal loro punto di vista. Le riprese forniscono esempi di come gli addetti manipolano realmente gli oggetti, comprese le modalità con cui affrontano le difficoltà che si presentano durante il lavoro.

A queste dimostrazioni si aggiunge l’addestramento in simulazione, utilizzato per generare varianti delle operazioni e preparare il robot a gestire cambiamenti nella posizione e nelle caratteristiche degli oggetti.

Il processo comprende anche una fase di teleoperazione: un addetto equipaggiato con visore per la realtà virtuale e guanti guida i movimenti del robot, utilizzando gli stessi componenti e le stesse telecamere presenti nella postazione produttiva.

Una volta introdotto nel processo, Gallop potrà continuare a raccogliere dati sulle proprie attività, alimentando ulteriori cicli di addestramento.

L’approccio punta a un risultato preciso: trasferire le competenze operative degli addetti a un sistema robotico, riducendo la necessità di programmarne manualmente ogni singolo movimento.

È un metodo che si inserisce nell’evoluzione dei modelli di Physical AI, sempre più orientati all’apprendimento da dimostrazioni umane e alla capacità di adattarsi a compiti diversi. Una direzione sulla quale stanno lavorando anche Nvidia, con il recente GR00T 2, e Google DeepMind, con Gemini Robotics 2.5.

L’architettura software di Gallop e il ruolo della piattaforma Nvidia

Dal punto di vista tecnologico, Gallop utilizza un’architettura organizzata su quattro livelli software.

Il primo è un sistema di pianificazione che analizza la scena, interpreta il compito da svolgere e lo suddivide in azioni elementari.

Un secondo livello, basato anch’esso sull’intelligenza artificiale, supervisiona l’esecuzione dei passaggi e può modificare la pianificazione quando si verifica un problema.

Il terzo livello gestisce le abilità di manipolazione, come raggiungere un oggetto, afferrarlo e depositarlo nella posizione prevista.

Il quarto controlla i movimenti dei bracci e delle mani e comprende le funzioni di arresto in caso di anomalie.

Questi livelli comunicano attraverso interfacce definite, una scelta che dovrebbe consentire ad Asus di aggiornare i modelli di AI senza dover riprogettare l’intero sistema robotico.

La capacità di calcolo a bordo è affidata a Nvidia Jetson AGX Thor, la piattaforma per l’intelligenza artificiale destinata ai sistemi robotici e alle applicazioni di Physical AI.

Asus sviluppa internamente il corpo e la mano robotica, che rappresenta uno degli elementi più complessi del progetto. La soluzione di manipolazione proprietaria, dotata di sensibilità tattile, è ancora in fase di sviluppo e dovrà essere integrata nel robot nel corso del prossimo anno. Per motori e altri componenti standard l’azienda si affida invece a fornitori specializzati.

Perché Asus ha scelto di sviluppare un robot umanoide

L’ingresso di Asus nella robotica risponde a una strategia di diversificazione tecnologica che porta le competenze maturate nell’informatica e nei sistemi di calcolo verso le applicazioni industriali.

Nel settembre 2026 l’azienda ha riorganizzato le attività AIoT dando vita al Physical AI Solutions Business Group, che riunisce soluzioni di intelligenza artificiale, piattaforme autonome e robotica umanoide.

Il gruppo può contare sia sulle proprie competenze nell’integrazione di hardware e software sia sulla disponibilità di stabilimenti industriali nei quali sperimentare i robot in condizioni operative reali.

La scelta della forma umanoide è legata alla possibilità di utilizzare postazioni, strumenti e attrezzature già progettati per gli operatori umani, evitando di dover modificare radicalmente le linee produttive.

È un vantaggio potenziale soprattutto nelle produzioni caratterizzate da volumi relativamente contenuti ed elevata varietà dei prodotti, dove l’automazione tradizionale può risultare difficilmente giustificabile.

Va però precisato che Gallop non è ancora un umanoide mobile capace di camminare. La configurazione attuale prevede due bracci installati su una base fissa. Asus intende sviluppare successivamente una versione su ruote, più adatta a spostarsi tra diverse postazioni.

La strategia è dunque graduale: consolidare prima le capacità di manipolazione e la ripetibilità delle operazioni, per aggiungere successivamente la mobilità.

Dai test in fabbrica al mercato: i tempi e le sfide ancora aperte

Il programma Gallop è stato avviato all’inizio del 2026. Nel corso del 2027 Asus intende integrare la mano robotica proprietaria, realizzare la versione mobile e presentare il sistema ai potenziali clienti durante il Computex.

I primi progetti pilota presso i clienti sono previsti nella seconda metà del 2027, mentre la disponibilità commerciale è attualmente programmata per la seconda metà del 2028.

La manifattura elettronica rappresenterà il primo mercato di riferimento. In prospettiva Asus considera possibili anche applicazioni negli ospedali e nei servizi, sfruttando il trasferimento delle abilità di manipolazione tra attività differenti.