A solução de controle inspirada na neuromecânica aumenta a adaptabilidade do robô

Para ser implantado com sucesso em uma escala em larga e em uma ampla gama de configurações do mundo real, os robôs devem ser capazes de ajustar rapidamente seus movimentos enquanto interagem com os seres humanos e seus arredores, respondendo às mudanças em seu ambiente. Muitos robôs desenvolvidos até agora, no entanto, têm um desempenho significativamente melhor em ambientes controlados, enquanto muitas vezes lutam em ambientes não estruturados.

Pesquisadores da Universidade de Granada na Espanha e na EPFL, na Suíça, desenvolveram recentemente uma nova solução de controle inspirada na neuromecânica, especificamente pela ação integrativa do sistema nervoso central e pela biomecânica do corpo humano.

Seu sistema de controle proposto, descrito em um artigo publicado em Robótica científicaverificou -se que modula a rigidez dos robôs, melhorando a precisão de seus movimentos e aumentando sua adaptabilidade às mudanças no ambiente.

“Nosso artigo recente emergiu de uma colaboração emocionante durante a fase final do principal projeto da UE, o Human Brain Project (HBP)”, disse a Tech Xplore, autor sênior de Niceto R. Luque, autor sênior.

“Tivemos a oportunidade de trabalhar em estreita colaboração com o laboratório de biorobótica da EPFL (Suíça), liderado pelo professor Auke Ijspeert, cujo trabalho de ponta em estruturas de simulação muscular influenciou nossa pesquisa. Inspirado por como os músculos humanos operam em pares (o SO- Chamado relacionamento agonista-antagonista), focamos em como a co-contração muscular ajusta dinamicamente a rigidez “.

O principal objetivo do estudo recente de Luque e seus colegas foi desenvolver uma nova solução de controle inspirada na biomecânica que supera as limitações dos paradigmas de controle de impedância/admissão convencionais subjacentes aos movimentos dos robôs industriais. A solução que eles desenvolveram se inspira nos mecanismos naturais através dos quais os humanos aprendem a adaptar seus movimentos a mudanças em ambientes complexos e imprevisíveis.

“As abordagens de controle tradicionais geralmente dependem de formulações matemáticas altamente complexas para gerenciar trocas de força entre um humano e um robô (ou entre robôs)”, disse Luque. “Por outro lado, nossa estratégia imita a co-contração muscular humana para modular a rigidez diretamente, eliminando a necessidade de soluções de hardware caras para determinar a força trocada e obrigar a necessidade de formulações dinâmicas complexas.

“Este método bio-inspirado tem como objetivo permitir que robôs (ou cobots) colaborativos exibam um amplo espectro de comportamentos motores adaptáveis, melhorando assim seu desempenho e robustez em uma variedade de tarefas”.

A solução de controle de robô inspirada na neuromecânica desenvolvida por esses pesquisadores possui dois componentes principais, que imitam os sistemas que permitem que os humanos controlem e adaptem seus movimentos. O primeiro desses componentes é um modelo muscular, enquanto o segundo é a chamada rede cerebelar.

Conforme sugerido por seu nome, o modelo muscular foi projetado para replicar os mecanismos subjacentes ao movimento dos músculos humanos. Este modelo reflete especificamente o fato de que os músculos humanos funcionam em pares, usando um processo conhecido como “co-contração”.

“Em termos simples, quando os músculos opostos se contraem, eles ajustam a rigidez de uma articulação”, explicou Luque. “Isso permite que o robô altere a rigidez ou flexibilidade de seus movimentos de acordo com a tarefa em questão – assim como você pode apertar seus músculos quando precisar de precisão ou relaxá -los para se mover mais livremente. Essa capacidade de modular a rigidez é crucial para manusear tarefas delicadas e forças inesperadas absorventes “.

O segundo componente da solução de controle da equipe, complementando o modelo muscular, é a chamada rede cerebelar. Este é um sistema projetado para imitar a função do cerebelo humano, uma região do cérebro responsável pelos movimentos das pessoas de ajuste fina e adaptá-los com base no feedback originário do corpo e do meio ambiente.

“Ao incluir essa rede adaptativa, o robô pode aprender com suas experiências e ajustar suas ações-e, mais importante, sua co-contração e rigidez-quando enfrentadas novas tarefas ou situações imprevisíveis”, disse Luque. “Isso significa que não depende apenas de instruções pré-programadas ou equações matemáticas complexas para operar. Ao todo, nossa solução fornece ao Cobot uma forma de ‘memória muscular’ e a capacidade de aprender e se adaptar muito como um humano”.

Luque e seus colegas avaliaram sua solução de controle em uma série de testes e suas descobertas foram altamente promissoras. Especificamente, eles mostraram que o mecanismo de co-contração modulou a rigidez dos robôs e sua precisão no desempenho, aumentando sua resiliência contra distúrbios externos.

“Descobrimos que, semelhante ao aprendizado humano, o treinamento em condições de baixa co-contração resulta em menor rigidez”, explicou Luque. “Embora o aprendizado nessas condições seja mais desafiador para o cerebelo, ele permite uma operação eficaz sob maior co-contração sem treinamento adicional. Isso indica uma clara preferência pelo aprendizado motor em condições de baixa co-contração, o que reduz o tempo de treinamento e ajuda a prevenir o desgaste e lágrima. ”

Embora o aprendizado sob baixa co-contração seja mais desafiador para o cerebelo, ele permite uma operação eficaz sob maior co-contração, sem exigir treinamento específico. A solução da equipe permite que seu controlador se adapte à baixa co-contração, trocando posteriormente para comportamentos de co-contração mais altos se for necessária uma rigidez mais alta.

“O fato de não precisarmos treinar o cerebelo para todos os cenários possíveis de co-contração reduz significativamente o tempo necessário para o treinamento, minimizando assim o desgaste”, disse Luque e Ignacio Abadia.

“Também fornecemos rigidez variável com base no software sem exigir a adição de hardware específico ao robô, ou seja, não exigimos sensores de força de contato nem sensores de torque, simplificando assim nossa implementação neuromecânica em robôs diversos. Essa capacidade é crucial para robôs que precisam operar em ambientes imprevisíveis e interagir com segurança com os seres humanos “.

O recente trabalho de Luque e seus colegas abre novas possibilidades para o desenvolvimento de sistemas robóticos versáteis e confiáveis ​​para uma ampla gama de aplicações, desde robôs industriais a robôs de saúde e serviços. Em seus próximos trabalhos, os pesquisadores planejam melhorar seu controlador, atualizando seu software e componentes mecânicos.

“Atualmente, estamos aprimorando a capacidade de aprendizagem do nosso controlador cerebelar, aumentando sua adaptabilidade e versatilidade”, disse Luque. “Para conseguir isso, estamos adotando métodos mais tradicionais de IA baseados em sinais analógicos nas redes neurais artificiais convencionais, e estamos integrando-os com redes neurais que usam sinais baseados em eventos”.

A integração das técnicas convencionais de IA pode permitir que o controlador da equipe aproveite completamente o poder computacional das GPUs mais avançadas do mercado, aumentando assim seu desempenho em tempo real. Para avançar a aplicação de sua solução de controle, os pesquisadores também estão trabalhando em um novo sistema robótico que integra um mecanismo mecânico de co-contração.

“Os cobots atuais, que normalmente possuem um único motor no final do atuador, exigem que a co-contração seja implementada antes do atuador final”, acrescentou Luque. “Com esse novo desenvolvimento, disponibilizaremos uma co-contração integrada. Esse arranjo inovador visa transformar como os COBOTs são construídos para facilitar melhor a interação humana-robot”.

© 2025 Science X Network