Crédito: Mixvale.com.br
Um inovador robô de quatro patas demonstrou uma capacidade notável de alterar seu modo de deslocamento de forma independente, ajustando-se com precisão a paisagens complexas. A máquina superou com êxito obstáculos encontrados em florestas, rampas e percursos repletos de barreiras diversas. Sem qualquer intervenção humana, o equipamento consegue alternar entre um trote firme e uma movimentação mais ágil e com saltos, representando um marco significativo na evolução da autonomia robótica.
Conhecido como KAIST HOUND, este robô de 45 quilos emprega câmeras e tecnologia lidar para mapear o terreno à sua frente. Com base nas informações coletadas, ele seleciona a forma de andar mais apropriada e ajusta seus movimentos em tempo real para garantir eficiência. Durante ensaios conduzidos ao ar livre, o robô percorreu com sucesso uma distância de 1,1 quilômetro dentro de um campus universitário e uma trilha florestal de 0,3 quilômetro, enfrentando raízes expostas, troncos caídos e folhas escorregadias. Os detalhes sobre a arquitetura robótica foram publicados em 15 de julho na renomada revista Science Robotics.
KAIST Hound, a 45kg quadruped robot, impressively ran 100 meters in 19.87 seconds, reaching 23.4 km/h on a treadmill. Could it challenge human runners in future Olympics? pic.twitter.com/lmEGLqGIYx
— Interesting Engineering (@IntEngineering) July 9, 2024
A habilidade de animais de modificar sua marcha conforme a velocidade e a superfície é um comportamento inerente à natureza. Um cão, por exemplo, pode caminhar com cautela em solo acidentado antes de saltar agilmente sobre um galho. Reproduzir essa adaptabilidade em sistemas robóticos representa um grande obstáculo, visto que diferentes tipos de movimento são frequentemente controlados por softwares distintos, e a transição entre eles pode levar a atrasos e perdas de equilíbrio no robô.
Para contornar essas complexidades, a equipe de cientistas desenvolveu uma metodologia de treinamento pioneira, batizada de aprendizado por reforço baseado em transformadores pré-treinados em ação (APT-RL). Este sistema de inteligência artificial foi desenhado para analisar uma vasta gama de exemplos de movimentos, utilizar um transformador para identificar padrões nessas ações e, em seguida, otimizar o desempenho por meio de um mecanismo de recompensas e penalidades.
O processo de treinamento teve início com um modelo computacional simplificado do robô, em duas dimensões. Utilizando a otimização de trajetória – uma técnica que calcula movimentos viáveis fisicamente para o robô – os pesquisadores geraram impressionantes 180.000 sequências curtas de trotes e saltos. Essas sequências incluíram as forças articulares necessárias para as pernas do robô e totalizaram aproximadamente 15,5 horas de movimento simulado, criadas em apenas oito minutos.
Durante a etapa de aprendizado por reforço, a inteligência artificial foi instruída a selecionar e adaptar essas habilidades, navegando por simulações que incluíam escadas, pedras, obstáculos, vãos e terrenos irregulares através de um sistema de tentativa e erro. Este é um componente fundamental que realça a eficiência e a capacidade de adaptação do sistema, permitindo que o robô aprenda de forma autônoma a lidar com diversas situações.
Nas simulações digitais, o cão robô superou a simples replicação de movimentos previamente registrados. Ele demonstrou a capacidade de realizar correções para terrenos tridimensionais e de reagir a situações imprevistas, como saltar sobre um tronco. Esse comportamento foi notável, pois não fazia parte dos dados de treinamento originais que eram focados em terreno plano.
Posteriormente, os pesquisadores configuraram o sistema para integrar diretamente na simulação a câmera de profundidade e o scanner lidar do robô, aprimorando significativamente sua percepção do ambiente ao redor.
Em um teste realizado em ambiente controlado, o HOUND conseguiu superar um obstáculo de 60 centímetros de altura, atingindo brevemente a velocidade de 15 km/h. O robô também foi capaz de descer uma escada com três degraus. Observou-se que ele geralmente optava por trotar em velocidades mais baixas e em superfícies irregulares, enquanto o salto se tornava mais frequente em velocidades mais altas ou ao encontrar degraus, barreiras ou vãos maiores. A versão do sistema de IA que podia escolher livremente entre as marchas apresentou um desempenho mais consistente nos diferentes ambientes simulados, quando comparada às versões restritas a apenas trotar ou saltar.
Os pesquisadores indicam que esta tecnologia tem o potencial de auxiliar robôs na navegação em zonas de desastre ou em outros locais de difícil acesso para equipamentos com rodas, destacando o impacto prático dessa inovação para missões de resgate e exploração em ambientes perigosos para humanos. Contudo, a configuração atual do KAIST HOUND permite apenas duas opções de marcha e se concentra principalmente no deslocamento para a frente. Giros rápidos, movimentos laterais e outros comportamentos, como rastejar, permanecem como próximos objetivos para a equipe de pesquisa, apontando para futuras expansões da sua capacidade de locomoção.
