São Paulo — InkDesign News — A recente pesquisa realizada em colaboração entre a UCL, Google DeepMind e Intrinsic destaca a utilização de algoritmos avançados de machine learning para otimizar a colaboração entre braços robóticos em ambientes industriais, aumentando a eficiência e reduzindo o tempo de planejamento.
Contexto da pesquisa
A automação em fábricas está em constante evolução, e o desafio de coordenar múltiplos robôs operando em espaços compartilhados e obstruídos tem sido abordado por especialistas há décadas. Os métodos atuais são manuais, demandando tempo e suscetíveis a erros, o que torna a adoção de novas soluções vital.
Método proposto
O sistema denominado RoboBallet utiliza uma arquitetura de rede neural gráfica e técnicas de aprendizado por reforço (RL). A rede neural gráfica permite que os robôs entendam o ambiente ao redor de forma organizada, facilitando a coordenação de movimentos sem colisões. Por meio do aprendizado por reforço, os robôs recebem ‘recompensas’ ao completarem tarefas de forma eficiente.
“RoboBallet transforma a robótica industrial em uma dança coreografada, onde cada braço se move com precisão, propósito e consciência de seus companheiros.”
(“RoboBallet transforms industrial robotics into a choreographed dance, where each arm moves with precision, purpose, and awareness of its teammates.”)— Matthew Lai, Pesquisador de doutorado, UCL Computer Science e Google DeepMind
Resultados e impacto
Ao longo de apenas alguns dias de treinamento, o RoboBallet foi capaz de gerar planos de alta qualidade em segundos, mesmo em configurações complexas que nunca havia encontrado, solucionando até 40 tarefas simultaneamente com oito braços robóticos. Essa capacidade supera em muito os sistemas anteriores.
“Neste momento, o planejamento leva especialistas centenas de horas e é custoso de ser executado manualmente.”
(“Right now, this planning takes specialists hundreds of hours and is costly to design manually.”)— Alex Li, Professor Associado, UCL Computer Science
O RoboBallet permite um planejamento que é centenas de vezes mais rápido em tempo real, possibilitando que fábricas se adaptem rapidamente a falhas ou mudanças de layout. Sua arquitetura baseada em grafos é um avanço crucial, já que métodos tradicionais lutam para lidar com diversos robôs devido ao aumento exponencial de complexidade.
As aplicações desse sistema incluem a manufatura de automóveis, montagem de eletrônicos e, potencialmente, na construção de habitações com robôs, especialmente em contextos onde a proximidade de operação entre robôs é crítica.
Os pesquisadores reconhecem que a versão atual do RoboBallet não lida com cenários de fábrica em todos os aspectos e planejam expandir suas funções para operações mais complexas, como ‘pick-and-place’ e pintura.
Fonte: (TechXplore – Machine Learning & AI)
