Segundo alguns cientistas, os humanos realmente têm um sexto sentido. Não há nada de sobrenatural nisso: o senso de propriocepção fala sobre as posições relativas de seus membros e do resto de seu corpo. Feche os olhos, bloqueie todo o som, e você ainda pode usar esse “mapa” interno do seu corpo externo para localizar seus músculos e partes do corpo – você tem um senso inato das distâncias entre eles e a percepção de como eles estão se movendo, acima e além do seu senso de toque.
Esse sentido é inestimável para nos permitir coordenar nossos movimentos. Nos seres humanos, o cérebro integra os sentidos incluindo o toque, o calor e a tensão nos fusos musculares para nos permitir construir este mapa.
Replicar esse sentido complexo representou um grande desafio para os roboticistas. Podemos imaginar simular o sentido da visão com câmeras, som com microfones ou tocar com almofadas de pressão. Robôs com sensores químicos poderiam ser muito mais precisos do que nós em termos de cheiro e sabor, mas construir em propriocepção, o senso de si e seu corpo do robô, é muito mais difícil, e é uma grande parte do porquê robôs humanóides são tão difíceis de acertar .
O software de localização e mapeamento simultâneos (SLAM) permite que os robôs usem seus próprios sentidos para construir uma imagem do ambiente e do ambiente, mas precisam ter um senso aguçado da posição de seus próprios corpos para interagir com ele. Se algo inesperado acontece, ou em ambientes escuros onde os sentidos primários não estão disponíveis, os robôs podem se esforçar para acompanhar sua própria posição e orientação. Para interação homem-robô, robótica vestível e aplicações delicadas como cirurgia, pequenas diferenças podem ser extremamente importantes.
Robôs com sexto sentido: Soluções fragmentadas
No caso da robótica avançada, isso geralmente é resolvido usando uma série de sensores de pressão e de deformação em cada junta, que permitem ao robô determinar como seus membros estão posicionados. Isso funciona bem para robôs rígidos com um número limitado de articulações, mas para robôs mais flexíveis, essa informação é limitada. Os roboticistas se deparam com um dilema: um conjunto vasto e complexo de sensores para cada grau de liberdade no movimento do robô ou habilidade limitada em propriocepção?
Novas técnicas, muitas vezes envolvendo novas matrizes de material sensorial e algoritmos de aprendizado de máquina para preencher as lacunas, estão começando a resolver esse problema. Tomemos o trabalho de Thomas George Thuruthel e seus colegas em Pisa e San Diego, que se inspiram na propriocepção dos humanos. Em um novo artigo na Science Robotics, eles descrevem o uso de sensores leves distribuídos aleatoriamente por meio de um dedo robótico. Esse posicionamento é muito parecido com a adaptação constante de sensores em humanos e animais, em vez de confiar no feedback de um número limitado de posições.
Os sensores permitem que o robô sensível reaja ao toque e pressão em muitos locais diferentes, formando um mapa de si mesmo à medida que se contorce em posições complicadas. O algoritmo de aprendizado de máquina serve para interpretar os sinais dos sensores distribuídos aleatoriamente: conforme o dedo se move, é observado por um sistema de captura de movimento. Depois de treinar a rede neural do robô, ele pode associar o feedback dos sensores com a posição do dedo detectado no sistema de captura de movimento, que pode então ser descartado. O robô observa seus próprios movimentos para entender as formas que seu corpo macio pode assumir e traduzi-las para a linguagem desses sensores suaves.
“As vantagens da nossa abordagem são a capacidade de prever movimentos complexos e forças que o robô sensível experimenta (o que é difícil com os métodos tradicionais) e o fato de que ele pode ser aplicado a vários tipos de atuadores e sensores”, disse Michael Tolley. Universidade da Califórnia, San Diego. “Nosso método também inclui sensores redundantes, o que melhora a robustez geral de nossas previsões.”
O uso do aprendizado de máquina permite que os roboticistas criem um modelo confiável para esse complexo sistema de movimentos não lineares para os atuadores, algo difícil de fazer calculando diretamente o movimento esperado do soft-bot. Também se assemelha ao sistema humano de propriocepção, construído com sensores redundantes que mudam e mudam de posição à medida que envelhecemos.
Em busca de um braço perfeito
Outra abordagem para o treinamento de robôs no uso de seus corpos vem de Robert Kwiatkowski e Hod Lipson, da Universidade de Columbia, em Nova York. Em seu artigo “Máquinas de auto-modelagem independentes de tarefas”, também publicado recentemente na Science Robotics, eles descrevem um novo tipo de braço robótico.
Os braços e as mãos robóticos estão ficando cada vez mais hábeis, mas treiná-los para compreender uma grande variedade de objetos e executar muitas tarefas diferentes pode ser um processo árduo. Também é uma habilidade extremamente valiosa para acertar: a Amazon está altamente interessada no braço robótico perfeito. O Google juntou uma série de mais de uma dúzia de braços robóticos para compartilhar informações sobre o agarramento de novos objetos, em parte para reduzir o tempo de treinamento.
Treinar individualmente um braço robótico para executar todas as tarefas individuais leva tempo e reduz a adaptabilidade do seu robô: ou você precisa de um algoritmo ML com um enorme conjunto de dados de experiências ou, pior ainda, precisa codificar milhares de movimentos diferentes. Kwiatkowski e Lipson tentam superar isso desenvolvendo um sistema robótico que tem um “forte senso de identidade”: um modelo de tamanho, forma e movimentos próprios.
Eles fazem isso usando o aprendizado de máquina profundo. O robô começa sem conhecimento prévio de sua própria forma ou da física subjacente de seu movimento. Repete então uma série de mil trajetórias aleatórias, registrando o movimento de seu braço. Kwiatkowski e Lipson comparam isso a um bebê no primeiro ano de vida observando os movimentos de suas próprias mãos e membros, fascinados por pegar e manipular objetos.
Novamente, uma vez que o robô tenha treinado para interpretar esses sinais e construir um modelo robusto de seu próprio corpo, ele estará pronto para a próxima etapa. Usando esse algoritmo de aprendizagem profunda, os pesquisadores então pedem ao robô para desenhar estratégias para realizar tarefas simples de coleta, colocação e manuscrito. Em vez de treinar-se laboriosamente e estreitamente para cada tarefa individual, limitando suas habilidades a um conjunto muito restrito de circunstâncias, o robô agora pode criar estratégias para usar seu braço em uma gama muito maior de situações, sem nenhum treinamento adicional específico da tarefa.
Controle de dano
Em outro experimento, os pesquisadores substituíram parte do braço por um componente “deformado”, destinado a simular o que poderia acontecer se o robô fosse danificado. O robô pode então detectar que algo está ativo e “reconfigurar” a si mesmo, reconstruindo seu auto-modelo, repetindo os exercícios de treinamento; foi então capaz de realizar as mesmas tarefas com apenas uma pequena redução na precisão.
As técnicas de aprendizado de máquina estão abrindo o campo da robótica de maneiras que nunca vimos antes. Combinando-os com a nossa compreensão de como os seres humanos e outros animais são capazes de sentir e interagir com o mundo ao nosso redor está aproximando cada vez mais a robótica de se tornar verdadeiramente flexível e adaptável e, eventualmente, onipresente.
Mas antes que eles possam sair e moldar o mundo, como mostram esses estudos, eles precisarão se entender.
Publicado originalmente em Singularity Hub
