Os investigadores da Google DeepMind desenvolveram um robô com inteligência artificial capaz de jogar ténis de mesa a um nível humano amador.
Registar a presença de uma bola de pingue-pongue, calcular a sua direção e mover a raquete para a atingir - tudo numa fração de segundo - é uma tarefa gigantesca em robótica.
O robô da DeepMind está equipado com um braço robótico IRB 1100 montado em dois pórticos lineares, que lhe permitem mover-se rapidamente sobre a mesa e em direção a ela.
Tem uma incrível amplitude de movimentos, alcançando a maior parte das zonas da mesa para bater a bola com uma raquete, tal como um humano.
Os "olhos" são câmaras de alta velocidade que captam imagens a 125 fotogramas por segundo, fornecendo dados a um sistema de perceção baseado em redes neuronais que segue a posição da bola em tempo real.
O sistema de IA que controla o robô utiliza um sofisticado sistema de dois níveis:
- Controladores de baixo nível (LLCs): São redes neuronais especializadas, treinadas para executar habilidades específicas no ténis de mesa, tais como pancadas de forehand ou pancadas de backhand. Cada LLC foi concebida para se destacar num determinado aspeto do jogo.
- Controlador de alto nível (HLC): Este é o cérebro estratégico do sistema. O HLC escolhe o SRL a utilizar para cada bola que entra, com base no estado atual do jogo, no estilo de jogo do adversário e nas capacidades do robô.
Esta abordagem dupla permite ao robô combinar a execução precisa de remates individuais com uma estratégia de nível superior, imitando a forma como os jogadores humanos pensam sobre o jogo.
Ligar a simulação ao mundo real
Um dos maiores desafios da robótica é transferir para o mundo real as competências aprendidas em ambientes de simulação.
O DeepMind estudo documenta várias técnicas para resolver este problema:
- Modelação física realista: Os investigadores utilizaram motores de física avançada para modelar a dinâmica complexa do ténis de mesa, incluindo a rotação da bola, a resistência do ar e as interacções entre a raquete e a bola.
- Aleatorização de domínios: Durante o treino, a IA foi exposta a uma vasta gama de condições simuladas, ajudando-a a generalizar-se às variações que poderia encontrar no mundo real.
- Adaptação do simulador ao real: A equipa desenvolveu métodos para ajustar as capacidades simuladas ao desempenho no mundo real, incluindo uma nova técnica de "correção de rotação" para lidar com as diferenças no comportamento das pás entre a simulação e a realidade.
- Recolha de dados iterativa: Os investigadores actualizaram continuamente os seus dados de treino com jogos do mundo real, criando um ciclo de aprendizagem em constante aperfeiçoamento.
Talvez uma das características mais impressionantes do robô seja a sua capacidade de adaptação em tempo real. Durante um jogo, o sistema regista várias estatísticas sobre o seu próprio desempenho e o do adversário.
Utiliza esta informação para ajustar a sua estratégia em tempo real, aprendendo a explorar os pontos fracos do jogo do adversário enquanto reforça as suas próprias defesas.
Avaliação do robot pingue-pongue
Então, como é que a DeepMind testou o seu robô de ténis de mesa?
Em primeiro lugar, a equipa recrutou 59 jogadores voluntários e avaliou as suas competências no ténis de mesa, classificando-os como jogadores principiantes, intermédios, avançados ou avançados+. Do grupo inicial, 29 participantes, abrangendo todos os níveis de aptidão, foram seleccionados para o estudo completo.
Depois, um jogador selecionado participou em três jogos competitivos contra o robô, seguindo regras de ténis de mesa modificadas para ter em conta as limitações do robô.
Para além de recolherem dados quantitativos do robô, após o jogo, os investigadores realizaram entrevistas breves e semi-estruturadas com cada participante sobre a sua experiência geral.
Resultados
No total, o robô ganhou 45% dos seus jogos, demonstrando um desempenho global sólido.
Dominou os principiantes (ganhou 100% de partidas) e manteve-se firme contra os intermédios (ganhou 55%), mas teve dificuldades contra os jogadores avançados e avançados+ (perdeu todas as partidas).
Felizmente para nós, meros mortais, havia pelo menos uma grande fraqueza: a dificuldade do robô em lidar com o underspin, que era uma falha notável na sua armadura contra jogadores mais experientes.
Mesmo assim, se não souber jogar ténis de mesa ou se achar que é apenas medíocre, este robô vai gostar das suas hipóteses.
Barney J. Reed, treinador de ténis de mesa, comentou o estudo"É verdadeiramente fantástico ver o robô jogar com jogadores de todos os níveis e estilos. O nosso objetivo era que o robô estivesse a um nível intermédio. Surpreendentemente, foi isso mesmo que aconteceu, todo o trabalho árduo valeu a pena".
"Sinto que o robô excedeu até as minhas expectativas. Foi uma verdadeira honra e um prazer fazer parte desta investigação. Aprendi muito e estou muito grato a todas as pessoas com quem tive o prazer de trabalhar neste projeto."
Esta está longe de ser a primeira incursão da DeepMind na robótica desportiva e na IA. Não há muito tempo, construíram Robôs de futebol com IA capaz de passar, desarmar e rematar.
A DeepMind tem estado a lançar Ferramentas de IA para robótica para os programadores durante anos e fez descobertas recentes em visão e destreza do robot.
À medida que a IA e a robótica continuam a avançar, podemos esperar ver mais exemplos de máquinas a dominar tarefas que outrora se pensava serem exclusivamente do domínio humano.
O dia em que poderá desafiar um robô para um jogo de ténis de mesa no seu centro comunitário local pode não estar longe - mas não se surpreenda se ele o vencer na primeira ronda.
