Robôs conseguem prever o futuro em milissegundos antes de se mover

Da observação de objetos à previsão do que vem a seguir

Os sistemas robóticos antigos começavam reconhecendo o que havia à frente. Uma câmera identificava uma xícara e a garra se fechava ao redor dela. O próximo movimento vinha de um programa fixo ou de uma demonstração copiada. Essa configuração funcionava quando a cena permanecia familiar. Ela falhava, porém, quando os objetos se deslocavam, as superfícies mudavam ou a tarefa exigia várias etapas que ninguém havia programado. A ideia mais recente é permitir que a máquina forme uma expectativa do que acontecerá após cada ação.

O RT-1 demonstrou que políticas de manipulação baseadas em transformadores conseguem aprender com grandes coleções de demonstrações teleoperadas. O sistema utilizou um transformador somente decodificador, com 35 milhões de parâmetros, para converter instruções em linguagem natural e imagens da câmera em ações sequenciais do robô. Ele comprimiu a informação visual antes da fusão, reduzindo 81 tokens de imagem para apenas 8 tokens-chave. O espaço de ações foi discretizado em 256 intervalos ao longo de 11 dimensões. Esse design tornou a manipulação com seis graus de liberdade mais viável computacionalmente para um modelo pequeno. O robô alcançou uma taxa de sucesso de 67% em mais de 700 tarefas distintas de manipulação. O objetivo era conectar o significado do objeto a um movimento útil. Assim, ver uma garrafa podia levar o braço a estender-se até ela de forma adequada à tarefa.

O passo além do reconhecimento é prever o que vem a seguir. Um modelo de ambiente aprendido pode receber a visão atual, o estado do corpo e o movimento proposto para estimar a próxima cena. Ele não precisa que cada lei física seja escrita manualmente. Em vez disso, aprende padrões a partir de vídeos sincronizados, fluxos de sensores e registros de interação. Essas entradas são comprimidas em símbolos compactos que preservam o movimento e o significado.

Durante o treinamento, o modelo é solicitado a prever o próximo passo ou uma janela curta do futuro. Isso permite que ele absorva como os objetos geralmente reagem ao contato, à gravidade e ao movimento. O processo ocorre sem que se forneça uma chave de respostas separada para cada quadro. Dois designs comuns realizam essa tarefa de maneira diferente. Um prevê as partes futuras em ordem, como uma frase construída palavra por palavra. Essa abordagem oferece controle fino sobre o que será gerado a seguir. Outro parte do ruído e remove-o lentamente até que um futuro coerente apareça. Esse método pode representar vários resultados plausíveis, em vez de os reduzir a uma única estimativa borrada.

Modelos de comportamento adicionam outra camada de verificação. Eles comparam o movimento gerado com exemplos semelhantes aos humanos e usam feedback para recompensar autenticidade e plausibilidade. A política passa então a ser não apenas precisa na posição, mas também natural no tempo. Um robô que prevê mal o futuro ainda pode se mover suavemente enquanto comete um erro que parece crível. Tais sistemas precisam de verificações de segurança e supervisão humana, pois um erro no espaço físico pode se tornar um movimento inseguro.

Testando cenários futuros antes do movimento

Antes de se estender para pegar um objeto, o braço robótico pode simular o que aconteceria se movesse à esquerda. Um modelo aprendido do ambiente prevê como a cena ficaria após cada tentativa de movimento. Não se trata de um plano fixo, mas de uma estimativa treinada sobre como o mundo reage à ação. O modelo parte da visão atual da câmera, da postura do corpo e das leituras dos outros sensores. Em seguida, testa vários caminhos candidatos antes que qualquer comando motor saia do controlador.

Para um caminho proposto, ele pode imaginar vários resultados ligeiramente diferentes. Essa variação importa porque os ambientes reais são ruidosos. Uma xícara pode se deslocar, uma superfície pode escorregar ou um objeto pode deformar-se de formas que o modelo não esperava. Amostragem de muitas execuções impede que o plano confie em um único palpite afortunado. O planejador pontua cada futuro imaginado usando os objetivos da tarefa e os limites de segurança. Alguns custos recompensam o progresso rumo ao alvo. Outras penalidades bloqueiam caminhos que colidiriam com pessoas ou itens frágeis.

A sequência com melhor pontuação é escolhida, mas apenas seu primeiro passo é executado. Assim que novos dados dos sensores chegam, todo o teste recomeça. Esse ciclo repetido permite que o robô corrija pequenos erros antes que se tornem grandes falhas. Manter o sistema dentro de uma região segura definida depende de verificações de segurança separadas em tempo de execução, como os métodos de Função de Barreira de Controle que atuam como guardas matemáticos. Combinar essas verificações com previsões incertas de modelos fundacionais estocásticos permanece um problema aberto. O benefício de segurança depende do modelo ser verificado contra limites reais e regras operacionais.

Algumas versões constroem futuros passo a passo, enquanto outras refinam uma estimativa ruidosa até que se torne coerente. O primeiro estilo é mais fácil de direcionar em tempo real. O segundo pode manter vários futuros plausíveis separados, em vez de misturá-los em uma média fraca. Essa distinção importa quando existem muitas formas válidas para a mesma tarefa. Um robô pode precisar escolher entre levantar por cima de um obstáculo ou contorná-lo. Testar ambos os resultados imaginados ajuda a evitar uma ação de compromisso que falharia no mundo físico.

Essa abordagem transforma o planejamento de uma única previsão em um ensaio curto. O braço não se compromete até que as consequências tenham sido comparadas. No software, muitos futuros podem ser testados rapidamente e descartados sem tocar em nada real. É por isso que esses modelos são úteis para tarefas de manipulação onde um movimento errado pode quebrar um objeto ou parar uma linha.

Fábricas e hospitais: onde a tecnologia já está em ação

As fábricas são o primeiro cenário em que essas máquinas precisam ser úteis todos os dias. A ABB já colocou mais de 500.000 robôs industriais em operação no mundo todo. Alguns dos seus braços colaborativos usam câmeras e sensores de força para suavizar a pegada quando uma peça oferece resistência.

A KUKA constrói braços que alteram o quanto são rígidos ou flexíveis durante o trabalho. Isso ajuda quando um componente chega ligeiramente fora do lugar, em vez de exatamente onde o programa espera. Na RNB Cosméticos, seis braços colaborativos com sensores de torque empilham pacotes de cosméticos prontos sobre paletes. Eles levantam caixas de sete quilos a uma taxa de aproximadamente seis por minuto e cobrem mais de 350 variantes de produto sem barreiras de segurança ao redor.

Os hospitais usam ideias semelhantes onde o custo de um erro é maior. O sistema da Vinci, da Intuitive Surgical, foi usado em mais de 14 milhões de procedimentos minimamente invasivos. Em um relatório que cobre mais de 10.000 operações em uma única instituição, houve 12 mortes relacionadas à cirurgia, cerca de 0,12 por cento.

A plataforma Hugo, da Medtronic, é um sistema modular de cirurgia assistida por robô que suporta o planejamento do procedimento, a imagem tridimensional em tempo real e a orientação dos instrumentos. A Cyberdyne fabrica um exoesqueleto chamado HAL, que lê sinais bioelétricos do usuário para auxiliar o movimento. Ele já completou mais de 10.000 sessões de tratamento ao redor do mundo.

Em um ensaio cruzado para pessoas com doenças neuromusculares raras e de progressão lenta, os pacientes usaram um exoesqueleto. Eles receberam nove sessões de 40 minutos e andaram cerca de 10 por cento mais longe em um teste de caminhada de dois minutos do que na condição de controle. Essas implantações mostram que a tecnologia já está realizando trabalho real, mas também mostram por que as verificações de segurança importam quando uma máquina se move perto de pessoas.

Uma máquina que antecipa o movimento

A IA física abre caminho para que as máquinas decidam mesmo diante da incerteza. O robô gera vários futuros possíveis, os compara com o que percebe e executa apenas a primeira etapa do plano. Esse ciclo traz flexibilidade justamente onde programas fixos falham, seja na triagem de muitas variantes de produto ou ao lidar com tecidos que resistem à previsão.

A oportunidade é ampla porque esses sistemas aprendem com demonstrações, vídeos e interações, sem exigir uma rotina escrita separadamente para cada objeto. Nas fábricas, isso pode significar menos tempo de inatividade quando uma nova peça chega à linha. Nos centros cirúrgicos, pode significar instrumentos que ajudam os médicos a planejar, guiar e adaptar-se durante o procedimento. Em armazéns, as implantações já mostram que a IA física consegue escalar além de um único protótipo brilhante.

O obstáculo é que um erro no software pode virar uma contusão, uma peça quebrada ou um procedimento falho. Esses sistemas ainda têm dificuldade com consequências de longo prazo, objetos em movimento e novos corpos cujas juntas não correspondem àquela em que aprenderam. Uma política treinada para um braço pode falhar em outro, enquanto o ajuste fino para uma nova tarefa pode apagar habilidades que ela já tinha. Por isso, as verificações de segurança devem ficar ao lado do controlador aprendido, e não dentro da sua imaginação.

A próxima década talvez seja menos sobre tornar os robôs mais inteligentes no laboratório e mais sobre tornar a incerteza deles visível, verificada e testável. Gêmeos digitais híbridos, modelos de mundo aprendidos e uma integração mais estreita entre percepção, planejamento e controle são tentativas de fechar essa lacuna. As apostas aumentam porque o custo do erro é físico, enquanto os limites de energia e as verificações de segurança adicionam restrições que um modelo em nuvem nunca enfrentou.

A próxima grande descoberta virá de uma melhor imaginação ou de saber quando essa imaginação deve ser ignorada?