A abordagem de planejamento de movimento neural ajuda robôs a navegar por obstáculos desafiadores em ambientes desconhecidos

Humanos podem pegar um livro de uma prateleira com pouco pensamento óbvio. Mas é um processo complexo para o cérebro que envolve planejar e navegar em torno de obstáculos, como outros livros ou bugigangas. Pesquisadores de robótica têm lutado para replicar esse tipo de movimento humano quando seus sistemas realizam tarefas semelhantes. Conhecido como planejamento de movimento, o processo de treinar um robô para levar um objeto de um ponto a outro sem bater em nenhum obstáculo leva tempo e recursos porque o robô não consegue reagir dinamicamente como humanos em ambientes desconhecidos.

Uma equipe do Instituto de Robótica (RI) da Carnegie Mellon University desenvolveu o Neural Motion Planning para ajudar a melhorar como os robôs reagem em novos ambientes. A abordagem orientada por dados usa uma rede única e versátil de inteligência artificial para executar o planejamento de movimento em vários ambientes domésticos desconhecidos, como armários, lava-louças e geladeiras.

“Às vezes, quando você implanta um robô, você quer que ele opere em configurações não estruturadas ou desconhecidas — ambientes onde você não pode presumir que sabe tudo”, disse Murtaza Dalal, um 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 eles têm que fazer milhares, talvez até milhões, de verificações de colisão.”

O Neural Motion Planning foi inspirado em como os humanos reúnem experiências diversas para praticar e aumentar gradualmente a proficiência. Ao adquirir novas habilidades, os humanos começam com um comportamento lento e inseguro e progridem para movimentos rápidos e dinâmicos. O Neural Motion Planning permite que os robôs sejam mais versáteis em ambientes desconhecidos e se adaptem geralmente ao mover objetos.

Pesquisadores simularam milhões de ambientes complexos para treinar o Neural Motion Planning. Nessas simulações, robôs encontraram ambientes domésticos — prateleiras, cubículos, micro-ondas, lava-louças, caixas e armários abertos — e às vezes tiveram que manobrar em torno de objetos aleatórios, como um cachorrinho ou um vaso. Os modelos foram treinados para executar planejamento de movimento rápido e reativo. Esse processo e dados foram destilados em uma política generalista para que, quando o robô fosse implantado no mundo real, ele pudesse executar tarefas em ambientes diferentes do que tinha visto antes.

“Temos visto sucessos incríveis em aprendizado em larga escala para visão e linguagem — pense em ChatGPT — mas não em robótica. Ainda não”, disse Deepak Pathak, o professor assistente Raj Reddy no RI. “Este trabalho é um trampolim em direção a esse objetivo. O Neural Motion Planning usa a receita simples de aprendizado em escala na simulação para produzir um alto grau de generalização no mundo real. Ele funciona em cenas com diferentes fundos, objetos, obstáculos e até mesmo arranjos de cena inteiros.”

Quando usado em um braço robótico no laboratório, o Neural Motion Planning navegou com sucesso em ambientes desconhecidos. O sistema robótico recebeu uma representação tridimensional do ponto inicial na cena, que foi criado usando câmeras de profundidade, e apresentado com uma posição de meta — onde os pesquisadores queriam que o braço robótico terminasse. Então, o Neural Motion Planning forneceu as configurações de junta para o braço robótico se mover do ponto inicial para o ponto final.

“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 completar tarefas”, disse o aluno de mestrado do RI, Jiahui Yang. “Esse feito foi possível ao aumentar massivamente a geração de dados, seguindo uma receita semelhante ao sucesso do aprendizado de máquina em visão e linguagem.”