São Paulo — InkDesign News — Um novo framework de inteligência artificial (AI) chamado LEGO-H foi desenvolvido para treinar robôs humanoides a navegar trilhas complexas de forma autônoma, destacando-se o uso de machine learning em tarefas como planejamento e execução motora.
Contexto da pesquisa
Pesquisadores da Universidade de Michigan desenvolveram um modelo que capacita robôs humanoides a tomar decisões e se mover em terrenos acidentados sem depender de intervenções humanas constantes. A pesquisa foi apresentada na Conferência IEEE sobre Visão Computacional e Reconhecimento de Padrões em junho de 2025.
Método proposto
O modelo LEGO-H combina percepção visual, tomada de decisão e execução motora em um único framework. Segundo os pesquisadores, sua abordagem unificada permite que os robôs desenvolvam estratégias de movimento adaptativas sem padrões pré-programados. Esse sistema foi testado em robôs simulados, equipados com câmeras e um sistema simples de GPS, desafiados a navegar trilhas desconhecidas.
“Nosso modelo é o primeiro a dar a um robô humanoide a capacidade de ver, decidir e se mover completamente por conta própria — não apenas andar, mas também pular e saltar conforme a trilha exige.
(“Our model is the first that could give a humanoid robot the ability to see, decide and move entirely on its own—not just walking, but hopping, stepping or jumping as the trail demands.”)— Stella Yu, Professora de Ciência da Computação e Engenharia, Universidade de Michigan
Resultados e impacto
A performance dos robôs autônomos foi avaliada quanto à completude, segurança e eficiência. Ao serem comparados a robôs que possuíam informações de navegação perfeitas, os robôs autônomos demonstraram desempenho comparável em eficiência e segurança. A presença de autoconsciência corporal foi crucial para evitar danos durante os testes.
Os robôs adaptaram suas posturas e estilos de movimento com base no terreno, mostrando a capacidade de recuperar o equilíbrio após quedas. A pesquisa atualmente busca integrar movimentos do corpo superior para maximizar a estabilidade e a eficiência na locomoção dos robôs.
A aplicação dessa tecnologia pode resultar em avanços significativos em áreas como busca e resgate autônoma, monitoramento ecológico e exploração em ambientes desconhecidos. Os próximos passos incluem a adaptação dessas políticas para robôs humanoides físicos no mundo real.
Fonte: (TechXplore – Machine Learning & AI)
