São Paulo — InkDesign News — A Agility Robotics anunciou o desenvolvimento de um modelo de controle de corpo inteiro para seu robô humanoide Digit, projetado para operar em ambientes complexos, permitindo uma manipulação precisa de objetos e movimentação autônoma.
Tecnologia aplicada
O modelo de controle incorpora uma rede neural LSTM (Long Short-Term Memory) compacta, com menos de 1 milhão de parâmetros. Funciona como o córtex motor humano, traduzindo sinais de diferentes níveis da hierarquia de controle do robô para executar movimentos voluntários e habilidades motoras finas. Treinado em simulações físicas avançadas na plataforma NVIDIA Isaac Sim, o sistema é capaz de transferir suas competências para o mundo real sem necessidade de ajustes adicionais. Digit é capaz de atingir metas específicas de posicionamento e orientação em seus membros, permitindo que realize tarefas como deslocar-se e manipular objetos pesados com alta precisão.
Desenvolvimento e testes
Os protocolos de teste incluem simulações de cenários de trabalho onde o robô deve manter o equilíbrio e a estabilidade ao realizar tarefas, um desafio significativo devido à dinâmica de locomoção em robôs bípedes. Agility Robotics usou um esquema de amostragem aleatória para garantir que o modelo de controle do robô cobre uniformemente todo o espaço de trabalho, permitindo uma manipulação complexa e variada. O desempenho é avaliado com base na redução de erros de movimento em comparação com alvos estabelecidos durante o treinamento.
“Implementamos um controlador que não apenas realiza a locomoção, mas também permite que o robô mantenha contato com o ambiente enquanto manipula objetos.”
(“We implemented a controller that not only provides locomotion but also allows the robot to maintain contact with the environment while manipulating objects.”)— Pras Velagapudi, CTO, Agility Robotics
Impacto e aplicações
Os benefícios operacionais incluem a melhoria significativa da robustez do Digit em ambientes desafiadores, essencial para aplicações industriais como logística e manutenção em armazéns. A abordagem baseada em aprendizado por reforço permite um funcionamento mais dinâmico e adaptável, embora a coleta de dados de desempenho continue a ser crucial para o aprimoramento do modelo. O investimento em tal tecnologia promete um retorno elevado, considerando a capacidade do robô de manusear objetos pesados e realizar tarefas complexas de forma eficiente.
“Estamos construindo robôs que podem trabalhar em ambientes humanos, essencial para a próxima geração de automação.”
(“We are building robots that can work in human environments, essential for the next generation of automation.”)— Pras Velagapudi, CTO, Agility Robotics
O próximo passo inclui a implementação de comportamento inteligente em humanoides, reforçando a segurança e a adaptabilidade do robô para tarefas variadas, conforme a tecnologia avança em direção a um modelo de movimento seguro e robusto para robôs humanoides operantes no mundo real.
Fonte: (The Robot Report – Robótica & Automação)
