Este robô não é manipulado, e sim manipula seus próprios fantoches

Crédito: flickr.com/Jim McDougall – Creative Commons

Termos como marionete ou fantoche são metáforas rotineiramente utilizadas para descrever robôs. Mas, desta vez, pesquisadores do Instituto Suíço de Tecnologia (ETH) meio que inverteram a metáfora e desenvolveram um robô titereiro, capaz de controlar marionetes! O trabalho está descrito nesse artigo, e o vídeo que o grupo publicou demonstra o quão impressionante são os resultados!

Um dos elementos mais interessantes desse robô é que ele "aprende" a manipular o fantoche em tempo real. O robô utilizado tem dois braços mecânicos, e cada braço é capaz de controlar uma haste rígida do fantoche.

Para calcular o comando necessário para manipulação do fantoche, o robô estima o resultado das várias possibilidades do controle das hastes da marionete e escolhe o movimento que gera o movimento desejado. De certa forma, o robô vai testando a marionete, observando os resultados e aprendendo a controlar a marionete pouco a pouco.

A capacidade de aprender é tamanha que, quando o movimento é repetitivo, o robô tem também a capacidade de reavaliar a estratégia escolhida para melhorar a fluidez do movimento da marionete!

Essa estratégia para controle robótico é interessante porque ela dá autonomia para atuação de robôs que atuam em contextos variados. Robôs feitos a partir de paradigmas mais tradicionais costumam ser mais sensíveis ao ambiente que o cerca no cumprimento da missão.

O controlador de um braço mecânico de uma montadora de veículos (como as exibidas no vídeo abaixo) é programado com missões bem precisas que incluem a trajetória completa do braço mecânico ou atuador. Por conta disso, robôs tradicionais tem uma dificuldade muito grande em lidar com tipos diferentes de materiais. Um robô que movimenta chapas rígidas não seria adequado para lidar com matérias mais maleáveis, por exemplo.

O robô fantoche é impactante, entre outras coisas, por ser mais flexível e adaptável. A partir da geometria das hastes e do marionete, de um movimento desejado e de movimentos proibidos, o robô é capaz de aprender a manipular a marionete pra cumprir sua missão, utilizando uma solução que ele mesmo "criou." Numa versão idealizada, você poderia dizer para o robô mover um objeto de um ponto pra outro sem tocar no chão e o robô ajustaria o movimento específico, sendo o objeto um pedaço de vidro frágil, uma chapa de alumínio, ou um pedaço de tecido ou plástico.

Esse trabalho também acaba gerando uma reflexão sobre o aprendizado em máquinas. Ao longo dessa última década, inteligência artificial e aprendizado por máquinas (machine learning) tem se ancorado bastante em conceitos estatísticos aplicados a volumes imensos de dados – o famoso data science. O que está por trás dessa ideia é o conceito de que aprender é adquirir uma quantidade enorme de dados e tentar fazer inferências a respeito.

Esse artigo me fez relembrar da importância de que a estruturação semântica da informação a ser aprendida também é importante. O que o robô do ETH aprende, de fato, é bastante limitado e de uma forma estruturada. Especificamente, o robô tenta inferir a relação entre o movimento do atuador e a aceleração do objeto (a segunda derivada com relação ao tempo discutida no vídeo). A quantidade de dados não é muito grande, mas a qualidade dos dados é bem elevada e extremamente relevante.

Isso faz o aprendizado extremamente eficiente –algo importante na área de robótica em tempo real. É verdade que a inferência é bastante restringida no escopo, bem diferente de propostas de inteligência artificial generalizada, como a do IBM Watson. Mas é importante lembrar da importância da inteligência artificial especializada como um instrumento revolucionário no futuro próximo.

Há limitações evidentes nesse trabalho –o que é natural num trabalho pioneiro. O robô não utiliza câmeras para saber a posição real do objeto manipulado, apenas estima a posição dos objetos com base em simulações. Assim, o sistema não tem nenhum tipo de feedback do mundo real, extremamente necessário para operação segura de um robô com liberdade para determinar seu próprio posicionamento físico.

Mas esse tipo de robô, que demonstra uma capacidade de aprender a lidar com objetos reais sem saber seu comportamento a priori é um passo importantíssimo para o desenvolvimento de robôs que manipulam uma diversidade de materiais mais complexos como tecidos, cristais e vidros. É a robótica avançando cada vez mais!