Fúria da cidade
ㅤㅤ ㅤㅤ ㅤㅤ
- Pesquisadores da Universidade de Washington testam mão robótica com cinco dedos
Uma mão robótica? Quatro dedos autônomos e um dedão que consigam fazer qualquer coisa que uma pessoa de carne e osso faz? Isso ainda é um sonho.
Mas dentro dos principais laboratórios de inteligência artificial do mundo, os pesquisadores estão muito próximos de criar mãos robóticas que consigam imitar mãos de verdade.
O girador
Dentro do OpenAI, o laboratório de inteligência artificial em San Francisco fundado por Elon Musk e vários outros grandes nomes do Vale do Silício, você encontrará uma mão robótica chamada Dactyl. Ela lembra bastante a prótese mecânica de Luke Skywalker no mais recente filme do Star Wars: dedos mecânicos que dobram e se esticam como uma mão humana.
Se você der à Dactyl blocos com letras do alfabeto e pedir que ela lhe mostre letras específicas, digamos, um O vermelho, um P laranja e um I azul, ela as mostrará e girará o brinquedo com destreza.
Para uma mão, essa é uma tarefa simples. Mas para uma máquina autônoma, é uma conquista considerável. A Dactyl aprendeu a tarefa praticamente sozinha. Usando os métodos matemáticos que permitem que a Dactyl aprenda, os pesquisadores acreditam que conseguirão treinar mãos robóticas e outras máquinas a executar tarefas bem mais complexas.
Essa mão incrivelmente ágil representa um enorme salto nas pesquisas sobre robótica dos últimos anos. Até pouco tempo atrás, os pesquisadores ainda enfrentavam dificuldades para dominar tarefas muito mais simples com mãos muito mais simples.
O agarrador
Criado por pesquisadores do Autolab, um laboratório de robótica dentro da Universidade da Califórnia em Berkeley, esse sistema representa os limites da tecnologia até poucos anos atrás.
Equipada com uma "garra" de dois dedos, a máquina consegue apanhar itens como uma chave de fenda ou um par de alicates e colocá-los em recipientes separados.
A garra é muito mais fácil de controlar do que uma mão de cinco dedos, e criar o software necessário para operar uma garra também não é tão difícil.
Ela consegue lidar com objetos que não lhe sejam totalmente familiares. Ela pode não saber o que é um frasco de ketchup, mas o frasco tem o mesmo formato básico que uma chave de fenda, algo que a máquina sabe.
Mas quando essa máquina se depara com algo que seja diferente do que ela já viu antes, como uma pulseira de plástico, não há como prever sua reação.
O apanhador
O que você realmente quer é um robô que consiga apanhar qualquer coisa, até mesmo coisas que ele nunca tenha visto antes. Foi isso que outros pesquisadores do Autolab construíram nos últimos anos.
Esse sistema ainda usa um hardware simples: uma garra e uma ventosa. Mas ele consegue apanhar todo tipo de item, desde um par de tesouras até um dinossauro de plástico de brinquedo.
O sistema se beneficia de avanços drásticos obtidos em machine learning, ou aprendizado de máquina. Os pesquisadores de Berkeley fizeram a modelagem da física de mais de 10 mil objetos, identificando a melhor forma de apanhar cada um. Depois, usando um algoritmo chamado rede neural, o sistema analisou todos esses dados, aprendendo a reconhecer a melhor maneira de apanhar qualquer item. No passado, os pesquisadores precisavam programar um robô para executar cada tarefa. Agora ele consegue aprender essas tarefas sozinho.
Quando se depara com, digamos, um Yoda de plástico, o sistema reconhece que ele deve usar o apanhador para pegar o brinquedo.
Mas quando ele encontra o frasco de ketchup, ele opta pela ventosa. O apanhador pode fazer isso com um recipiente cheio de itens aleatórios. Ele não é perfeito, mas como o sistema consegue aprender sozinho, ele tem melhorado em um ritmo mais rápido que as máquinas do passado.
O arrumador de cama
Esse robô pode não fazer uma cama perfeita como a de um hospital, mas ele representa um progresso notável. Pesquisadores de Berkeley montaram o sistema em somente duas semanas, usando as mais recentes técnicas de machine learning. Até pouco tempo atrás, isso teria levado meses ou anos.
Agora o sistema pode aprender a arrumar uma cama em uma fração desse tempo, só analisando dados. Nesse caso, o sistema analisa os movimentos que levam a uma cama arrumada.
O empurrador
Do outro lado do campus de Berkeley, em um laboratório chamado Bair, outro sistema está aplicando outros métodos de aprendizado. Ele consegue empurrar um objeto com um apanhador e prever para onde ele irá. Isso significa que ele consegue deslocar brinquedos sobre uma mesa como uma pessoa faria.
O sistema aprende esse comportamento analisando grandes coleções de imagens de vídeo mostrando como os objetos são empurrados. Dessa forma, ele consegue lidar com as imprevisibilidades e movimentos inesperados que vêm com esse tipo de tarefa.
O futuro
Todas essas são tarefas simples. E as máquinas só conseguem lidar com elas em determinadas condições. Elas falham o mesmo tanto que impressionam. Mas os métodos de machine learning que movem esses sistemas prometem ter um progresso contínuo nos próximos anos.
Assim como no OpenAI, os pesquisadores da Universidade de Washington estão treinando mãos robóticas que têm os mesmos dedos e articulações que uma mão humana.
Isso é muito mais difícil do que treinar uma garra ou uma ventosa. Uma mão antropomórfica pode se mover de muitas maneiras diferentes.
Então os pesquisadores de Washington treinam sua mão em simulações, uma recriação digital do mundo real. Isso torna mais eficiente o processo de treinamento.
No OpenAI, os pesquisadores estão treinando sua mão Dactyl de uma forma muito parecida. O sistema consegue aprender a girar o bloco de letras com o equivalente a 100 anos de tentativa e erro. A simulação digital, realizada por milhares de chips de computador, reduz todo esse aprendizado a dois dias.
Ele aprende essas tarefas por repetidas tentativas e erros. Uma vez que ele aprende o que funciona na simulação, ele consegue aplicar esse conhecimento no mundo real.
Muitos pesquisadores têm questionado se esse tipo de treinamento simulado se transferirá para o domínio físico. Mas assim como pesquisadores de Berkeley e outros laboratórios, a equipe do Open AI mostrou que consegue.
Eles introduzem uma certa quantidade de aleatoriedade no treinamento simulado. Eles alteram a fricção entre a mão e o bloco. Eles mudam até mesmo a gravidade simulada. Depois de aprender a lidar com essa aleatoriedade em um mundo simulado, a mão consegue lidar com as imprevisibilidades do mundo real.
Hoje, tudo que Dactyl consegue fazer é girar um bloco. Mas os pesquisadores estão explorando como essas mesmas técnicas podem ser aplicadas a tarefas mais complexas, como manufatura, pilotagem de drones e talvez até mesmo carros autônomos.
https://noticias.uol.com.br/midiagl...garram-giram-e-em-breve-tambem-terao-tato.htm
-------------------------------------------------------------------------------------------------------------------
