Deep learning ajusta movimentos robóticos para evitar deslizamentos
Pesquisadores estão explorando novas abordagens de machine learning para melhorar a capacidade de robôs em manipular objetos, evitando que eles escapem das garras robóticas, algo que pode aumentar a eficiência em diversas aplicações do cotidiano.
Contexto da pesquisa
Pesquisadores da Universidade de Lincoln, do Laboratório de Pesquisa da Toshiba na Europa, da Universidade de Surrey, da Arizona State University e do KAIST desenvolveram estratégias computacionais inovadoras para prevenir o deslizamento de objetos durante a manipulação robótica. A abordagem foi discutida em um artigo publicado na revista Nature Machine Intelligence.
Método proposto
O método proposto consiste em um controlador robótico que utiliza uma estratégia de modulação de trajetória inspirada na biologia, modelando o comportamento humano ao lidar com objetos escorregadios. A abordagem não se restringe a aumentar a força de aperto; em vez disso, permite que o robô ajuste sua trajetória e velocidade, semelhante a um humano que, ao sentir um objeto escorregando, não apenas aperta mais, mas também muda sua abordagem.
“Nossa abordagem imita como os humanos usam modelos internos para interagir com o mundo”
(“Our approach mimics how humans use internal models to interact with the world.”)— Amir Ghalamzan, Autor Sênior, Universidade de Lincoln
Resultados e impacto
Os testes realizados em ambientes dinâmicos e não estruturados mostraram que o novo controlador significativamente melhora a estabilidade da pega nas situações em que o aumento da força de aperto não é prático, como em objetos frágeis ou superfícies escorregadias. O controlador permite que os robôs mudem de direção e ajustem suas posições em tempo real, melhorando a interação com uma variedade maior de objetos.
“O segundo é um controlador preditivo alimentado por um modelo tátil aprendido, que capacita os robôs a prever o deslizamento com base em suas ações planejadas”
(“The second is a predictive controller powered by a learned tactile forward model, which enables robots to forecast slip based on their planned actions.”)— Amir Ghalamzan, Autor Sênior, Universidade de Lincoln
Os pesquisadores pretendem expandir o sistema para manipulação de objetos mais complexos e explorar combinações com algoritmos de visão computacional, possibilitando que robôs planejem trajetórias baseando-se em informações táteis e visuais.
Fonte: (TechXplore – Machine Learning & AI)
