Uma equipe de pesquisadores da Universidade da Califórnia, em San Diego, revelou uma estrutura que visa aprimorar as capacidades do mundo actual de robôs quadrúpedes equipados com manipuladores. Conforme descrito em seu estudo, publicado no servidor de pré-impressão arXiv, a estrutura, denominada WildLMa, busca melhorar a capacidade dos robôs de realizar tarefas de manipulação de locomotivas em ambientes dinâmicos e não estruturados.
Segundo a pesquisa, tarefas como coletar lixo doméstico, recuperar itens específicos e entregá-los em locais designados podem ser executadas por robôs que combinam locomoção com manipulação de objetos. Embora técnicas de aprendizagem por imitação tenham sido anteriormente empregadas para treinar robôs para tais operações, persistiram desafios na tradução dessas habilidades para cenários do mundo actual.
Numa entrevista à Tech Xplore, Yuchen Music, investigador principal do estudo, explicou: “O rápido progresso na aprendizagem por imitação permitiu que os robôs aprendessem com demonstrações humanas. No entanto, estes sistemas concentram-se frequentemente em competências específicas e isoladas e têm dificuldade em se adaptar a novos ambientes.” A estrutura, de acordo com Music, foi projetada para resolver essas deficiências, empregando Modelos de Visão-Linguagem (VLMs) e Grandes Modelos de Linguagem (LLMs) para aquisição de habilidades e decomposição de tarefas.
Principais recursos da estrutura WildLMa
Os investigadores destacaram vários elementos inovadores do seu quadro. Um sistema de teleoperação baseado em realidade digital foi empregado para simplificar a coleta de dados de demonstração, permitindo que operadores humanos controlassem os robôs com uma única mão. Algoritmos de controle pré-treinados foram usados para agilizar essas operações.
Além disso, os LLMs foram integrados para dividir tarefas complexas em etapas menores e acionáveis. “O resultado é um robô capaz de executar tarefas longas e de várias etapas de forma eficiente e intuitiva”, afirmou Music. Mecanismos de atenção também foram incorporados para melhorar a adaptabilidade e focar nos objetos alvo durante a execução da tarefa.
Aplicações demonstradas e metas futuras
O potencial da estrutura foi demonstrado através de experimentos do mundo actual. Tarefas como limpar corredores, recuperar entregas e reorganizar itens foram executadas com sucesso. No entanto, de acordo com Music, distúrbios inesperados, como movimentação de indivíduos, podem afetar o desempenho do sistema. Esforços para melhorar a robustez em ambientes dinâmicos estão em andamento, com a visão de criar robôs assistentes domésticos acessíveis e acessíveis.
