IA física no mundo real

A IA física permite aos robôs percecionar, adaptar-se e atuar no mundo físico com muito menos engenharia específica para cada tarefa do que a automação tradicional.

Robôs que aprendem com demonstrações, melhoram através da experiência, utilizam modelos de visão e linguagem para interpretar tarefas e operam em ambientes menos estruturados. É uma perspetiva muito promissora.

Para programadores de robôs, investigadores de IA física e equipas de robótica centradas em IA, estas capacidades viabilizam aplicações que tradicionalmente eram demasiado variáveis, dispendiosas ou complexas para automatizar.

À medida que os sistemas de IA física passam da simulação para aplicações no mundo real, os requisitos mudam. Os modelos e as simulações continuam a ser essenciais, mas os robôs interagem, em última análise, com o mundo físico através de braços, pinças, sensores e ferramentas que entram em contacto direto com os objetos.

Para passar da investigação à implementação, a IA física necessita de uma camada fiável de interação física.

É precisamente isto que a OnRobot desenvolve há mais de uma década.

Antes de «IA física» se tornar parte do vocabulário da robótica, a OnRobot já abordava muitos dos desafios práticos que hoje definem esta área de investigação: adaptabilidade, deteção, feedback e capacidade de responder à variabilidade do mundo real. As nossas ferramentas elétricas e flexíveis de fim de braço, com capacidade de feedback, foram concebidas para funcionar de forma fiável em ambientes reais e dinâmicos. Atualmente, estão instalados mais de 22 000 produtos OnRobot numa vasta gama de aplicações em todo o mundo.

2. Modelos mais avançados exigem uma camada de execução fiável

À medida que os modelos de base, a aprendizagem robótica, os sistemas visão-linguagem-ação e a simulação se tornam mais capazes, a camada de execução ganha ainda mais importância.

O movimento robótico está relativamente maduro em comparação com a manipulação no mundo real. Isto acontece porque a manipulação depende de variáveis físicas que não podem ser eliminadas nem perfeitamente modeladas.

É por isso que o efetuador final é tão importante.

3. Os dados de contacto complementam a simulação e a visão

A simulação permite às equipas treinar, testar e iterar rapidamente. A visão ajuda os robôs a reconhecer objetos, compreender cenários e planear movimentos.

Uma manipulação fiável também requer feedback físico. Nos sistemas baseados em aprendizagem, dados de interação mais completos podem melhorar o treino, a validação e a análise de falhas.

As dinâmicas de contacto, incluindo fricção, conformidade, deslizamento, deformação, inércia e variação da superfície, são difíceis de reproduzir em simulação. Uma preensão bem-sucedida na simulação pode falhar no mundo real se o objeto se deslocar, se a superfície reagir de forma diferente ou se a peça oferecer resistência ao contacto.

Uma câmara pode localizar um objeto, mas nem sempre consegue determinar se este está seguro. Pode também não detetar pequenos deslizamentos, contacto assimétrico, resistência durante a inserção ou força excessiva.

Estas limitações tornam o feedback multimodal uma parte importante da IA física.

Diferentes formas de feedback abrangem diferentes fases de uma interação. A deteção de proximidade fornece dados antes do contacto. A deteção de força/binário pode fornecer informação durante o contacto. A deteção de preensão confirma se o robô está a segurar o objeto. Os dados de abertura da pinça fornecem informação sobre o objeto e o estado da preensão, enquanto os sinais de sucesso e falha apoiam o ciclo de aprendizagem.

A pinça RG2-FT combina

4. A manipulação flexível exige a ferramenta certa para cada tarefa

A IA física é frequentemente associada a robôs de uso geral, mas nenhum efetuador final é ideal para todas as tarefas.

Diferentes objetos e aplicações exigem diferentes modos de interação:

Quando se espera que os robôs lidem com variabilidade, aprendam com a experiência ou operem em várias tarefas, o efetuador final passa a fazer parte da arquitetura do sistema. Determina o que o robô consegue agarrar, elevar, segurar, inserir, empurrar, puxar, trocar e libertar, e influencia o feedback disponível para o controlador ou modelo.

O portefólio da OnRobot foi criado em torno desta realidade prática antes de a IA física se tornar um tema de destaque. As suas ferramentas elétricas e flexíveis com capacidade de feedback foram concebidas para facilitar a implementação, adaptação e reutilização da automação em diferentes aplicações.

Esta mesma filosofia de conceção está agora estreitamente alinhada com as necessidades dos investigadores de IA física e das empresas de robótica centradas em IA.

Concebido para a variabilidade do mundo real

A próxima fase da IA física dependerá de modelos mais robustos, melhores dados, simulação aperfeiçoada e plataformas robóticas mais capazes. Dependerá também de uma camada de interação física composta por pinças, sensores, trocadores de ferramentas e tecnologias de fim de braço que permitam aos modelos atuar de forma fiável no mundo real.

As ferramentas de fim de braço já não são apenas o último componente adicionado a um robô. São uma parte integrante dos sistemas de aprendizagem avançados.

O portefólio da OnRobot, comprovado na indústria, proporciona a investigadores, programadores de robôs e fabricantes uma base flexível para passar de modelos promissores para uma manipulação fiável no mundo real.