TossingBot: Braço Robótico Alcança 500 Arremessos/Hora com 85% Precisão

Robô Aprende a Pegar e Arremessar Objetos Arbitrários Combinando Deep Learning e Física de Projéteis

Pesquisadores do Google, MIT, Princeton e Columbia desenvolveram TossingBot: braço robótico que aprende a pegar e arremessar objetos arbitrários em locais específicos. Usa física + deep learning para arremessar rápido e precisamente em ambientes não estruturados.

Até 2x velocidade de pegada vs. robôs anteriores, com 2x alcance efetivo de colocação.

Desafios do Arremesso Robótico

Arremessar não é trivial para robôs. Fatores: como pegar objetos de diferentes formas, propriedades físicas (massa, aerodinâmica, atrito). Ex: pegar objeto pesado/longo na ponta → cai mais longe que se pego no centro. Objeto leve (bolinha ping-pong) requer força grande (resistência do ar) para mesma distância.

Controlar explicitamente todos parâmetros para cada objeto = quase impossível. Trial-and-error = caro e demorado.

Combinando Deep Learning e Física

Deep learning ajuda robô aprender com experiência (não caso a caso). Arremesso preciso requer entendimento de física de projéteis.

Integrando ambos: TossingBot treina rápido e generaliza a novos cenários. Leis fundamentais da física de projéteis → controladores iniciais (calcula velocidade de arremesso necessária). Redes neurais preveem ajustes sobre cálculo físico, compensando variabilidade/ruído do mundo real.

Além do treino, braço usa GPU NVIDIA Titan para reconstruir cenas (câmeras RGB-D) em 3D tempo real e agregar dados 3D conforme braço move-se.

Resultados em 14 Horas de Treino

• Precisão de arremesso: 85%
• Confiabilidade de pegada em clutter: 87%
• Objetos arbitrários pegos e arremessados: >500 em caixas fora do alcance máximo.

Limitações e Futuro

li>Presume objetos resistentes a colisões no pouso.
• Avalia variáveis de controle só via informação visual.
• Próximo: treinar para pegar objetos amortecendo pouso; explorar modalidades sensoriais adicionais (tátil, força-torque) para adaptar velocidades de arremesso.

Referência: arXiv:1903.11239 | Google AI Blog