Os humanos fazem com que pegar um livro na estante pareça fácil, mas é um processo complexo para o cérebro que envolve planejamento cuidadoso e navegação em torno de obstáculos. Os pesquisadores de robótica há muito lutam para replicar esse movimento semelhante ao humano em seus sistemas. O desafio reside no planeamento do movimento, onde treinar um robô para recuperar um objeto sem colidir com obstáculos exige tempo e recursos significativos, uma vez que os robôs não conseguem reagir dinamicamente como os humanos em ambientes desconhecidos.
Uma equipe do Instituto de Robótica (RI) da Universidade Carnegie Mellon desenvolveu o Planejamento de Movimento Neural para ajudar a melhorar a forma como os robôs reagem em novos ambientes. Esta abordagem inovadora aproveita uma rede de inteligência artificial única e adaptável para revolucionar a forma como os robôs navegam em novos ambientes. De armários a máquinas de lavar louça e refrigeradores, esse método baseado em dados promete elevar o planejamento de movimento robótico a níveis sem precedentes.
“Às vezes, quando você implanta um robô, você deseja que ele opere em ambientes não estruturados ou desconhecidos – ambientes onde você não pode presumir que sabe tudo,” disse Murtaza Dalal, estudante de doutorado do RI. “É aí que esses métodos clássicos de planejamento de movimento falham. Um grande problema é que esses algoritmos são muito lentos porque precisam fazer milhares, talvez até milhões, de verificações de colisão.”
O Planejamento de Movimento Neural se inspira na maneira como os humanos aprendem novas habilidades, começando com movimentos cautelosos e deliberados e progredindo gradualmente para ações fluidas e confiantes. Esta tecnologia de ponta permite que os robôs naveguem em ambientes desconhecidos e se adaptem rapidamente ao interagir com objetos.
Para dominar o Planejamento de Movimento Neural, os pesquisadores expuseram os robôs a milhões de cenários simulados, incluindo ambientes domésticos típicos com prateleiras, micro-ondas e armários abertos, bem como obstáculos inesperados, como cachorrinhos brincalhões e vasos delicados. Através deste treinamento rigoroso, os robôs aprenderam a executar um planejamento de movimento rápido e responsivo, resultando no desenvolvimento de um conjunto versátil de habilidades que lhes permite se destacarem em diversos ambientes do mundo real.
“Temos visto sucessos surpreendentes na aprendizagem em larga escala da visão e da linguagem – pense no ChatGPT – mas não na robótica. Ainda não,” disse Deepak Pathak, professor assistente de Raj Reddy no RI. “Este trabalho é um trampolim para esse objetivo. O Planejamento de Movimento Neural usa a receita simples de aprendizado em escala em simulação para produzir um alto grau de generalização no mundo real. Funciona em cenas com diferentes fundos, objetos, obstáculos e até mesmo arranjos inteiros de cenas.”
Os incríveis recursos do Neural Motion Planning foram totalmente exibidos enquanto ele guiava um braço robótico por ambientes desconhecidos no laboratório. Usando câmeras de profundidade para criar uma representação 3D do ponto inicial e sendo apresentada uma posição final, o sistema forneceu perfeitamente configurações conjuntas para o braço robótico navegar através de obstáculos como lâmpadas, plantas, estantes de livros e portas de armários.
“Foi emocionante ver um único modelo evitar habilmente diversos obstáculos domésticos, incluindo lâmpadas, plantas, estantes de livros e portas de armários, enquanto movia o braço do robô para concluir tarefas,” disse o aluno de mestrado do RI, Jiahui Yang. “Essa façanha foi possibilitada pelo aumento massivo da geração de dados, seguindo uma receita semelhante ao sucesso do aprendizado de máquina em visão e linguagem.”
A equipe de pesquisa, incluindo o aluno de mestrado Jiahui Yang, o aluno de doutorado Russell Mendonca, o engenheiro de simulação robótica Youssef Khaky e o professor de Ciência da Computação Ruslan Salakhutdinov, realmente ultrapassou os limites do que é possível no campo da robótica.
Saiba Mais! 
