Trocar de um smartphone para outro é geralmente um processo tranquilo. Você faz login nas suas contas e seus aplicativos, preferências e contatos devem sincronizar com o novo hardware. Mas no mundo da robótica, trocar um braço robótico antigo por um modelo mais novo significava configurar tudo do zero – até agora.
Para resolver isso, uma equipe de pesquisadores da École Polytechnique Fédérale de Lausanne (EPFL), na Suíça, desenvolveu o que chamam de Inteligência Cinemática, uma estrutura que torna a troca de robôs mais parecida com a troca de smartphones. Eles descrevem seu sistema em um artigo recente na Science Robotics.
Por anos, roboticistas têm trabalhado para fazer robôs aprenderem por demonstração – ensinando-lhes novas habilidades mostrando o que fazer, em vez de escrever linhas de código. A ideia é controlar remotamente ou guiar fisicamente o braço do robô para ensinar uma tarefa como limpar uma mesa, empilhar caixas ou soldar um componente de carro. O problema é que a maioria dessas habilidades ensinadas acaba vinculada ao robô específico com o qual o treinamento foi feito.
Mas a robótica está avançando rapidamente. “Os robôs têm designs diferentes, e hoje em dia novos designs estão sendo propostos – isso traz seu próprio conjunto de desafios”, disse Sthithpragya Gupta, roboticista da EPFL e autor principal do estudo. Se um novo robô tem elos ligeiramente mais longos, uma orientação de junta diferente ou uma configuração mais complexa, esse comportamento aprendido quebra instantaneamente e o novo robô provavelmente irá se debater, congelar ou colidir se tentar executá-lo.
“Com novos designs vêm diferentes capacidades e restrições”, disse Durgesh Haribhau Salunkhe, roboticista da EPFL e coautor do estudo. “O problema é adaptar-se a essas restrições e capacidades – para replicar fielmente as ações demonstradas por um humano.” Hoje, fazer a transição de um corpo de robô para outro geralmente significa começar do zero e retreinar todo o sistema.
Quando um robô se move pelo espaço para completar uma tarefa, ele deve calcular constantemente como dobrar suas juntas para manter seu efetuador final (um equivalente robótico de uma mão) no caminho certo. O robô tem que evitar atingir um limite físico, ou pior, uma singularidade, que em robótica é uma zona de perigo matemática: uma configuração física onde as juntas do robô se alinham de tal forma que ele perde temporariamente um grau de liberdade. “Em tais posições, o movimento do robô pode se tornar instável ou [você] pode perder o controle do robô”, disse Gupta.
Em termos humanos, funciona aproximadamente como travar os cotovelos quando eles são totalmente esticados ao empurrar algo pesado, o que torna os braços incapazes de realizar movimentos laterais por um momento.
Transferir habilidades de um robô para outro é difícil porque robôs com estruturas diferentes geralmente têm uma topologia diferente de singularidades. Quando o algoritmo de um robô segue cegamente um caminho e atinge uma singularidade, a matemática que controla suas juntas falha. O robô pode tentar girar uma junta a uma velocidade infinita, por exemplo, resultando em um movimento súbito e inseguro. A equipe de Gupta resolveu isso dando aos robôs uma profunda consciência matemática inata de suas próprias limitações físicas. Essa Inteligência Cinemática, como eles chamam, permite que um usuário demonstre uma habilidade apenas uma vez, e ela seja executada com segurança por um tipo completamente diferente de robô.
E (surpreendentemente, hoje em dia) a Inteligência Cinemática foi construída de forma livre de IA.
Tradicionalmente, engenheiros lidam com singularidades através de correções de software. Eles construíam modelos inversos, fórmulas matemáticas complexas que trabalham de trás para frente a partir da posição alvo do efetuador final do robô para mapear todas as posições das juntas necessárias para chegar lá. Então, eles apenas colocavam filtros de segurança ou correções para evitar que o robô se metesse em problemas.
Algumas das abordagens de IA mais recentes, baseadas em dados, exigem menos esforço e expertise, mas requerem acesso a todos os robôs nos quais o software de controle será usado durante a fase de treinamento. “Além disso, há essa natureza probabilística ou de caixa preta da IA, na qual ela pode fazer algo inesperado”, disse Gupta. “Queríamos uma abordagem determinística que garantisse segurança.”
A Inteligência Cinemática funciona dando ao robô um modelo matemático de sua própria cinemática – essencialmente, uma compreensão profunda de como seu corpo pode se mover. Quando uma demonstração é fornecida, o sistema calcula automaticamente como o novo robô pode replicar o movimento, evitando singularidades e outros problemas. “É como ter um mapa interno do seu corpo”, disse Salunkhe. “O robô sabe exatamente onde pode e não pode ir.”
Os pesquisadores testaram seu sistema em vários robôs diferentes, incluindo um braço robótico industrial e um robô mais ágil e leve. Eles descobriram que habilidades aprendidas em um robô podiam ser transferidas para outro com mínima perda de desempenho. “Conseguimos transferir tarefas como empilhar blocos e abrir portas”, disse Gupta. “O robô receptor executou a tarefa com sucesso, mesmo nunca tendo visto aquela demonstração antes.”
O próximo passo é tornar o sistema mais rápido e eficiente, e eventualmente aplicá-lo a robôs móveis e humanoides. “Queremos que os robôs possam aprender uns com os outros, como as pessoas fazem”, disse Gupta. “Se um robô aprende a fazer algo, todos os outros deveriam ser capazes de fazer também.”