Novo Método de Simulação Permite Robôs Detectarem Propriedades de Objetos com Precisão

Instituto de Tecnologia de Massachusetts, Cambridge, MA

Intuição Humana Replicada em Robôs

Um humano limpando entulho de um sótão pode frequentemente adivinhar conteúdo de uma caixa simplesmente pegando-a e sacudindo-a, sem precisar ver o que há dentro. Pesquisadores do MIT, Amazon Robotics e Universidade da Colúmbia Britânica ensinaram robôs a fazer algo similar.

Desenvolveram técnica que permite robôs usarem apenas sensores internos para aprender sobre peso, maciez ou conteúdo de objeto ao pegá-lo e sacudi-lo suavemente. Com seu método, que não requer ferramentas de medição externas ou câmeras, o robô pode adivinhar parâmetros como massa de objeto em questão de segundos.

Esta técnica de baixo custo pode ser especialmente útil em aplicações onde câmeras podem ser menos eficazes, como classificar objetos em porão escuro ou remover escombros dentro de prédio que parcialmente desabou após terremoto.

Simulação Diferenciável e Gêmeo Digital

Chave para sua abordagem é processo de simulação que incorpora modelos do robô e do objeto para identificar rapidamente características daquele objeto enquanto robô interage com ele.

A técnica dos pesquisadores é tão boa em adivinhar massa de objeto quanto métodos mais complexos e caros que incorporam visão computacional. Além disso, sua abordagem eficiente em dados é robusta o suficiente para lidar com muitos tipos de cenários não vistos.

"Esta ideia é geral, e acredito que estamos apenas arranhando a superfície do que um robô pode aprender desta forma. Meu sonho seria ter robôs saindo ao mundo, tocando coisas e movendo coisas em seus ambientes, e descobrindo propriedades de tudo com que interagem por conta própria," disse Peter Yichen Chen, pós-doutorando do MIT e autor principal de artigo sobre esta técnica.

Propriocepção Robótica

O método da equipe de pesquisa aproveita propriocepção, que é a capacidade de humano ou robô de sentir seu movimento ou posição no espaço. Por exemplo, humano que levanta haltere na academia pode sentir peso daquele haltere no pulso e bíceps, embora esteja segurando o haltere na mão. Da mesma forma, robô pode "sentir" peso de objeto através das múltiplas juntas em seu braço.

"Humano não tem medições super-precisas dos ângulos das juntas em nossos dedos ou quantidade precisa de torque que aplicamos a objeto, mas robô tem. Aproveitamos estas habilidades," disse co-autor Chao Liu, pós-doutorando do MIT.

Enquanto robô levanta objeto, sistema dos pesquisadores coleta sinais dos encoders de junta do robô, que são sensores que detectam posição rotacional e velocidade de suas juntas durante movimento.

A maioria dos robôs tem encoders de junta dentro dos motores que acionam suas partes móveis, acrescentou Liu. Isso torna sua técnica mais custo-efetiva que algumas abordagens porque não precisa de componentes extras como sensores táteis ou sistemas de rastreamento visual.

Simulação Diferenciável com Biblioteca Warp da NVIDIA

Para estimar propriedades do objeto durante interações robô-objeto, seu sistema depende de dois modelos: um que simula o robô e seu movimento e outro que simula dinâmica do objeto. "Ter gêmeo digital preciso do mundo real é realmente importante para sucesso de nosso método," acrescentou Chen.

Seu algoritmo "observa" robô e objeto moverem-se durante interação física e usa dados de encoder de junta para trabalhar retroativamente e identificar propriedades do objeto. Por exemplo, objeto mais pesado moverá mais devagar que leve se robô aplicar mesma quantidade de força.

Utilizam técnica chamada simulação diferenciável, que permite ao algoritmo prever como pequenas mudanças nas propriedades do objeto, como massa ou maciez, impactam posição final da junta do robô. Pesquisadores construíram suas simulações usando biblioteca Warp da NVIDIA, ferramenta open-source para desenvolvedores que suporta simulações diferenciáveis.

Uma vez que simulação diferenciável coincide com movimentos reais do robô, sistema identificou propriedade correta. Algoritmo faz isso em questão de segundos e só precisa ver uma trajetória real do robô em movimento para realizar cálculos.

"Tecnicamente, desde que você saiba modelo do objeto e como robô pode aplicar força a esse objeto, você deve conseguir descobrir parâmetro que quer identificar," disse Liu. Pesquisadores usaram seu método para aprender massa e maciez de objeto, mas técnica também poderia determinar propriedades como momento de inércia ou viscosidade de fluido dentro de recipiente.

Além disso, como seu algoritmo não precisa de dataset extenso para treinamento como alguns métodos que dependem de visão computacional ou sensores externos, não seria tão suscetível a falha quando confrontado com ambientes não vistos ou novos objetos.

Futuro: Sensoriamento Multimodal e Robôs Macios

No futuro, pesquisadores querem tentar combinar seu método com visão computacional para criar técnica de sensoriamento multimodal ainda mais poderosa.

"Este trabalho não tenta substituir visão computacional. Ambos métodos têm prós e contras. Mas aqui mostramos que sem câmera já conseguimos descobrir algumas destas propriedades," disse Chen.

Também querem explorar aplicações com sistemas robóticos mais complexos, como robôs macios, e objetos mais complexos, incluindo líquidos oscilantes ou meios granulares como areia. No longo prazo, esperam aplicar esta técnica para melhorar aprendizado robótico, permitindo robôs futuros desenvolverem rapidamente novas habilidades de manipulação e adaptarem-se a mudanças em seus ambientes.

Para mais informações, entre em contato com Melanie Grados em melanie.grados@mit.edu; 617-253-1682.