Investigadores do Instituto de Tecnologia de Massachusetts (MIT) desenvolveram uma técnica de IA destinada a permitir que os robôs manipulem objectos utilizando todo o seu corpo.
A manipulação de objectos utilizando múltiplos pontos de contacto em várias partes do corpo representa um enorme desafio para os robôs. Os seres humanos são excelentes na manipulação de todo o corpo, carregando facilmente caixas grandes ou segurando objectos irregulares.
No entanto, os robôs são muito menos competentes em tarefas de manipulação complexas devido aos numerosos pontos de contacto entre os objectos e as diferentes partes do seu corpo.
Em vez de pensarmos nisto como um sistema de "caixa negra", se pudermos aproveitar a estrutura deste tipo de sistemas robóticos utilizando modelos, há uma oportunidade de acelerar todo o processo de tentar tomar estas decisões e elaborar planos ricos em contactos", afirmou H.J. Terry Suh, um estudante de pós-graduação em engenharia eletrotécnica e informática (EECS) e coautor principal do artigo de investigação.
No fundo, o trabalho dos investigadores do MIT aborda a intensidade e complexidade computacional das tarefas de manipulação robótica, especificamente as que envolvem cenários ricos em contactos. Os robôs têm de considerar inúmeras possibilidades de contacto com um objeto quando planeiam uma tarefa de manipulação, o que leva a um número intratável de cálculos.
Tradicionalmente, os métodos de aprendizagem por reforço (RL) têm sido utilizados para resolver este problema, mas requerem recursos computacionais e tempo consideráveis.
O estudo introduziu a "suavização" para resolver este problema. O processo de "suavização" simplifica a carga computacional, reduzindo o número de eventos de contacto que o robô tem de considerar. Condensa a miríade de potenciais pontos de contacto num conjunto manejável de decisões-chave.
Essencialmente, muitas acções e contactos inconsequentes que o robô poderia fazer são eliminados, deixando apenas os pontos vitais de interação que precisam de ser calculados.
Para implementar a "suavização", a equipa concebeu um modelo baseado na física. Este modelo reproduz eficazmente o tipo de "redução da média" das interacções não críticas que ocorre implicitamente nos métodos de aprendizagem por reforço.
A equipa testou a sua abordagem em simulações e em hardware robótico do mundo real, mostrando um desempenho comparável ao da aprendizagem por reforço, mas com uma fração do custo computacional.
Aplicações práticas
As implicações desta investigação são potencialmente de grande alcance. Na frente industrial, a técnica poderá permitir a utilização de robôs mais pequenos e móveis, capazes de executar tarefas complexas com maior flexibilidade.
Isto poderá resultar numa redução do consumo de energia e dos custos operacionais. Para além das fábricas, a tecnologia poderá ser um fator de mudança para as missões de exploração espacial, permitindo que os robôs se adaptem rapidamente a terrenos ou tarefas imprevisíveis com recursos computacionais mínimos.
Além disso, estes métodos computacionais poderão ajudar os investigadores a construir mãos competentes e realistas.
"As mesmas ideias que permitem a manipulação de todo o corpo também funcionam para o planeamento com mãos destras e semelhantes às humanas", disse Russ Tedrake, autor sénior e Professor Toyota de EECS no MIT.
Embora a IA esteja a impulsionar transformações no campo da robótica, equipando os robôs com capacidades e compreensões cada vez mais avançadas, ainda não construímos nada com destreza biológica.
À medida que o hardware de IA se torna mais pequeno, chips energeticamente eficientes e os investigadores encontrarem formas de resolver problemas computacionais, é provável que os robôs com destreza e vida não estejam muito longe.
