Sprint final do TikTok contra bloqueio nos EUA já começou. Que argumentos vão chegar aos juízes?
Setembro 16, 2024Indústria dos videojogos gerou 196 mil milhões de dólares em 2023
Setembro 16, 2024Os robots podem aprender a fazer coisas que são mais complexas do que aparentam. Amarrar os atacadores ou apertar um parafuso implica destreza e é muito difícil de conseguir, mas é um caminho a percorrer para que os robots se “tornem mais úteis na vida das pessoas e melhorar o contacto com objetos físicos em ambientes dinâmicos”, lê-se no blog da Google DeepMind.
Os sistemas ALOHA Unleashed, um sistema de hardware de código aberto de baixo custo para tele-operação bi-manual da Stanford University, já na segunda versão e o DemoStart são os mais recentes desenvolvimentos de IA através dos quais investigadores estão a treinar destreza dos robots. O ALOHA Unleashed ajuda os robots a aprender a executar tarefas complexas e inovadoras de manipulação com dois braços e o DemoStart utiliza simulações para melhorar o desempenho no mundo real de uma mão robótica com vários dedos.
Veja o vídeo da simulação
No futuro, os robots com IA ajudarão as pessoas em todo o tipo de tarefas em casa, no local de trabalho e muito mais, mas ainda há um longo caminho a percorrer e a Google está a “fazer progressos significativos”, assinalando que “cada inovação pioneira é mais um passo na direção certa”.
Entretanto, “ao ajudar os robôs a aprender com as demonstrações humanas e a traduzir as imagens em ações, estes sistemas estão a abrir caminho para robôs que podem realizar uma grande variedade de tarefas úteis”, explica a Google.
Neste vídeo um robot aperta um parafuso
Com a IA ALOHA Unleashed, os robots conseguem apanhar e manusear objetos com dois braços, algo que até agora não tinha sido conseguido, salienta a Google. Nas experiências já executadas, usando o novo método, o “nosso robot aprendeu a amarrar um atacador, a pendurar uma camisa, a reparar outro robot, a inserir uma engrenagem e até a limpar uma cozinha”.
Este robot foi ensinado a pendurar uma t-shirt num cabide
A versão ALOHA 2 é significativamente mais competente do que os sistemas anteriores, porque tem duas mãos que podem ser facilmente tele-operadas para fins de formação e recolha de dados, e permite que os robôs aprendam a executar novas tarefas com menos demonstrações, detalha a Google.
A ergonomia do hardware robótico e o processo de aprendizagem foram melhorados no sistema mais recente. Antes de passar a informação aos braços robóticos, são recolhidos dados de demonstração, sendo o robot operado remotamente para aprender tarefas como atacar os sapatos ou pendurar T-shirts. Depois, é aplicado um método de difusão, prevendo as ações do robot a partir de ruído aleatório, semelhante à forma como o modelo ‘Imageny’ da Google, gera imagens. Deste modo o robot vai aprendendo com os dados, para que possa executar as mesmas tarefas por si próprio, explica a Google.
Aqui pode ver como um robot repara outro robot
O controlo de uma mão robótica e hábil é uma tarefa complexa, que se torna ainda mais complexa com cada dedo, articulação e sensor adicional. Para isso, o DemoStart utiliza um algoritmo de aprendizagem por reforço para ajudar os robots a adquirir comportamentos de destreza em simulação.
Por seu lado, a DemoStart aprende primeiro com estados fáceis e, com o tempo, começa a aprender com estados mais difíceis até dominar uma tarefa da melhor forma possível. Em simulação, o robot conseguiu uma taxa de sucesso superior a 98% em várias tarefas diferentes, incluindo a reorientação de cubos com uma determinada cor, o aperto de uma porca e de um parafuso e a arrumação de ferramentas. Na configuração real, obteve uma taxa de sucesso de 97% na reorientação e elevação de cubos e de 64% numa tarefa de inserção de tomadas que exigia uma elevada coordenação e precisão dos dedos.
Veja a simulação realizada pela Google
O DemoStart foi desenvolvido com o MuJoCo, o simulador de física de código aberto, da Google. Segundo o blog da Google DeepMind, a aprendizagem robótica em simulação pode reduzir o custo e o tempo necessários para realizar experiências reais e físicas. No entanto, “é difícil conceber estas simulações e, além disso, nem sempre se traduzem com sucesso no desempenho real”. Combinando a aprendizagem por reforço com a aprendizagem a partir de algumas demonstrações, a aprendizagem progressiva da DemoStart preenche a lacuna entre a simulação e a realidade, “facilitando a transferência de conhecimentos de uma simulação para um robô físico e reduzindo o custo e o tempo necessários para a realização de experiências físicas”.
créditos: Google
Para permitir uma aprendizagem mais avançada dos robôs mediante uma experimentação intensiva, A Google testou ainda uma nova abordagem numa mão robótica com três dedos, DEX-EE, que foi desenvolvida em colaboração com o Shadow Robot.
