Uma técnica de aprendizagem profunda para melhorar a forma como os robôs agarram objetos

A maioria dos humanos adultos é inatamente capaz de pegar objetos em seu ambiente e segurá-los de maneira que facilite seu uso. Por exemplo, ao pegar um utensílio de cozinha, normalmente o agarram pela lateral que não será colocada dentro da panela ou frigideira.

Os robôs, por outro lado, precisam ser treinados sobre a melhor forma de pegar e segurar objetos enquanto realizam diferentes tarefas. Muitas vezes, esse é um processo complicado, visto que o robô também pode encontrar objetos que nunca encontrou antes.

O grupo de pesquisa de Sistemas Inteligentes Autônomos (AIS) da Universidade de Bonn desenvolveu recentemente um novo pipeline de aprendizagem para melhorar a capacidade de um braço robótico de manipular objetos de maneiras que melhor apoiem seu uso prático. A abordagem deles, apresentada em um artigo publicado no servidor de pré-impressão arXivpoderia contribuir para o desenvolvimento de assistentes robóticos que possam realizar tarefas manuais de forma mais eficaz.

“Um objeto é apreendido funcionalmente se puder ser usado, por exemplo: um dedo indicador no gatilho de uma furadeira”, disse Dmytro Pavlichenko, um dos pesquisadores que realizou o estudo, ao Tech Xplore. “Essa compreensão específica pode nem sempre ser alcançável, tornando a manipulação necessária. Neste artigo, abordamos a manipulação hábil de pré-preensão com uma mão antropomórfica.”

O recente artigo de Pavlichenko e do coautor Sven Behnke baseia-se nos esforços de pesquisa anteriores do grupo AIS, em particular um artigo apresentado na Conferência Internacional IEEE-RAS sobre Robôs Humanóides de 2019, em Toronto. Como parte deste estudo anterior, a equipe desenvolveu uma abordagem sofisticada para a reapreensão robótica de objetos com braço duplo que dependia de vários componentes complexos projetados à mão.

“A motivação para o nosso novo artigo foi substituir um pipeline tão complexo por uma rede neural”, explicou Pavlichenko. “Isso reduz a complexidade e remove estratégias de manipulação codificadas, aumentando a flexibilidade da abordagem.”

A abordagem simplificada de manipulação pré-compreensão que os pesquisadores introduziram em seu novo artigo depende do aprendizado por reforço profundo, uma técnica bem conhecida e de alto desempenho para treinar algoritmos de IA. Usando essa técnica, a equipe treinou um modelo para manipular objetos com destreza antes de agarrá-los, garantindo que o robô os segure de maneira eficaz, exatamente como solicitado.

“Nosso modelo aprende utilizando uma função de recompensa densa de múltiplos componentes, que incentiva aproximar um objeto de uma determinada compreensão funcional alvo por meio da interação dedo-objeto”, disse Pavlichenko. “Combinado com uma simulação Isaac Gym baseada em GPU, o aprendizado pode ser feito rapidamente.”

Até agora, os pesquisadores avaliaram sua abordagem em um ambiente de simulação conhecido como Isaac Gym e descobriram que ela alcançou resultados altamente promissores. Em seus testes iniciais, seu modelo permitiu que robôs simulados aprendessem como mover objetos de formatos distintos em suas mãos, descobrindo eventualmente a melhor maneira de manipulá-los sem exigir demonstrações humanas.

Notavelmente, a abordagem de aprendizagem proposta por Pavlichenko e seu Behnke poderia ser facilmente aplicada a uma variedade de braços e mãos robóticas, ao mesmo tempo que apoiava a manipulação de numerosos objetos com diferentes formas. No futuro, poderá assim ser implantado e testado em vários robôs físicos.

“Demonstramos que aprender um comportamento dinâmico complexo semelhante ao humano é possível usando um único computador com várias horas de treinamento”, disse Pavlichenko. “Nossos planos para pesquisas futuras envolvem trazer o modelo aprendido para o mundo real, alcançando desempenho semelhante em um robô real. Isso geralmente é bastante desafiador, por isso esperamos que uma etapa adicional de aprendizado, agora online no robô real, possa ser necessária para fechar a lacuna entre o sim e o real.”

© 2023 Science X Network