Robô baseado em IA aprende a jogar um jogo de Jenga

• Pesquisadores desenvolvem um braço robótico que usa tato e visão para aprender o jogo de Jenga.
• O método de aprendizado de máquina desenvolvido neste trabalho pode ajudar o robô a montar produtos de consumo e realizar outras tarefas que requerem interação física cuidadosa.

Jenga é um jogo complexo que requer estratégia e coordenação olho-mão precisas. Como humanos, integramos perfeitamente nossos sentidos de visão e toque para dominar este jogo. Os robôs, por outro lado, ainda não possuem esse nível de sofisticação.

A maioria dos sistemas de aprendizagem robótica usa apenas dados visuais, sem uma sensação de toque, o que basicamente limita sua capacidade de aprender sobre o mundo externo. Os algoritmos de aprendizagem existentes baseados em técnicas de aprendizagem por reforço sem modelo têm pouca ou nenhuma capacidade de explorar o conhecimento sobre objetos físicos, contatos ou forças.

Recentemente, pesquisadores do MCube Lab do MIT desenvolveram um algoritmo para replicar essa habilidade usando um robô. Ao contrário das técnicas convencionais de aprendizado de máquina que usam conjuntos de dados massivos para avaliar seu próximo melhor movimento, este robô aprende e explora um modelo hierárquico que permite a extração suave e precisa de peças.

Robô que joga Jenga

O robô é equipado com uma câmera RGB externa, uma pinça com pinos macios e uma pulseira com sensor de força. Todos esses componentes permitem que o robô observe e sinta a torre Jenga e seus blocos individuais.

Os pesquisadores personalizaram um braço robótico ABB IRB 120 industrial e montaram uma torre Jenga ao seu alcance. Conforme o braço empurra suavemente contra um bloco, um computador captura feedback tátil e visual de sua braçadeira e câmera, e compara essas medições com os movimentos anteriores do robô.

Referência:ScienceRobotics | doi:10.1126 / scirobotics.aav3123 | MIT

Este modelo permite ao robô estimar com precisão o estado de uma peça, simular os próximos movimentos possíveis e decidir sobre um que seja favorável. Em tempo real, a máquina aprende se deve continuar empurrando o bloco ou se mover para um novo, a fim de evitar que a estrutura entre em colapso.

Isso é mais desafiador do que desenvolver IA para xadrez ou Go, pois o jogo de Jenga requer habilidades físicas básicas, como puxar, empurrar, colocar e alinhar blocos individuais.



O robô desenvolvido neste trabalho identifica com eficiência quando um bloco parece preso ou solto e decide como extraí-lo usando muito menos dados. É treinado em quase 300 tentativas (em vez de dezenas de milhares de tentativas). As tentativas de resultados e medições semelhantes são agrupadas em clusters e cada cluster representa comportamentos de bloco específicos.

Para cada cluster de dados, a máquina desenvolveu um modelo para estimar o comportamento de um bloco de acordo com suas medidas táteis e visuais atuais. Esta estratégia de agrupamento - inspirada na maneira natural como os humanos aprendem - aumenta significativamente a eficiência do robô com a qual ele pode aprender a jogar.

Aplicativos

Este método é um exemplo de sucesso de inteligência artificial movendo-se para o mundo físico. À medida que o robô interage com o ambiente ao seu redor, ele aprende algumas das habilidades básicas que definem a manipulação humana.

Leia:Dactyl:uma mão robótica semelhante a um humano que usa IA para alcançar uma destreza sem precedentes

Este sistema de aprendizagem tátil pode ser aplicado a tarefas além do jogo de Jenga, especialmente aquelas tarefas que requerem interação física cuidadosa. Por exemplo, montagem de produtos de consumo e separação de materiais recicláveis ​​do lixo do aterro.

Em uma linha de montagem de smartphones e laptops, por exemplo, a maioria das etapas requer ações de toque e força, em vez de apenas visão, e essa tecnologia pode melhorar drasticamente essas linhas de montagem.