Jeffrey C. Trinkle sempre teve um grande interesse por mãos de robôs. E, embora possa estar muito longe, Trinkle, que estudou robótica por mais de trinta anos, diz que se sente mais atraído pela perspectiva de robôs realizando “manipulação hábil” no nível de um humano “ou além”.
“Sempre achei que, para os robôs serem realmente úteis, eles precisam coletar coisas, precisam ser capazes de manipulá-las, juntar e consertar as coisas, ajudá-lo a sair do chão e tudo mais”, diz ele, acrescentando: “São necessárias tantas áreas técnicas juntas para analisar um problema como esse que muitas pessoas simplesmente não se importam com ele.”
Mas Trinkle, membro do corpo docente e presidente do Departamento de Ciência da Computação e Engenharia da Universidade de Lehigh, faz mais do que se preocupar com isso. Ele e sua equipe estão trabalhando em projetos que envolvem exatamente esses desafios técnicos. Um desses projetos é uma colaboração para desenvolver uma nova abordagem para o design e construção de robôs macios – o futuro da colaboração homem-máquina, diz Trinkle – inspirado pelo movimento dos músculos naturais em estruturas animais macias. Pense: línguas de girafa, tentáculos de polvo e trombas de elefante. A simulação por computador é a chave para o desenvolvimento desta nova abordagem.
Trinkle, junto com colegas de outras instituições, é coautor de um artigo “Perspectiva” intitulado “Sobre o uso da simulação em robótica: Oportunidades, desafios e sugestões para seguir em frente”, que aparece na última edição dos Anais do National Academy of Sciences (PNAS) argumentando que “… simulação de computador bem validada pode fornecer um campo de provas virtual que em muitos casos é fundamental para compreender com segurança, rapidez, custos mais baixos e mais detalhadamente como os robôs do futuro deveriam ser projetado e controlado para operação segura e desempenho aprimorado. ”
“Contra esse pano de fundo”, continuam os autores, “discutimos como a simulação pode ajudar na robótica, as barreiras que atualmente impedem sua ampla adoção e as medidas potenciais que podem eliminar algumas dessas barreiras”
O artigo resume os pontos de vista expressos durante um workshop da National Science Foundation / Departamento de Defesa / Instituto Nacional de Padrões e Tecnologia de 2018 dedicado ao tópico. A reunião reuniu participantes de uma variedade de organizações, disciplinas e campos. A experiência representada vem de uma interseção de robótica, aprendizado de máquina e simulação baseada em física, dizem os autores.
Os autores concluem: “A questão urgente é como dar início a um processo de polinização cruzada de simulação robótica que faria a transição rápida do esforço da fase de ‘debate acadêmico’ para uma fase de ‘construção habilitada para simulação e demonstração de tecnologia’. Esta transição pode ser catalisada por um compromisso financeiro sustentado de uma década, o que garantiria o financiamento de esforços interdisciplinares que promovam a colaboração, a competição e a compilação de repositórios abertos de modelos validados e código-fonte. Conforme testemunhado nas indústrias aeroespacial e automotiva, o paradigma A mudança para o digital, embora manifestamente impactante, levou décadas para se consolidar. Aprendendo com essa experiência, a esperança é que a simulação leve a inovações no design de robôs inteligentes em questão de anos, em vez de décadas. ”
Simulação computacional de um robô macio bidimensional aprendendo a apreender. Crédito: Jeffrey C. Trinkle, um membro do corpo docente e presidente do Departamento de Ciência da Computação e Engenharia da Lehigh University e Jinda Cui, Ph.D. estudante e assistente de pesquisa no laboratório de Trinkle
Treinar a rede neural de um robô: como um bebê aprendendo a engatinhar
O projeto de robôs macios da Trinkle é uma colaboração com a Yale University, a University of Washington e a Brown University, financiada por uma bolsa da National Science Foundation Emerging Frontiers in Research and Innovation. Seu papel é usar modelos matemáticos, junto com técnicas de ciência da computação, como algoritmos de busca, para desenvolver o sistema de computador que “diz” ao robô como se mover. Ele oferece o Roomba, o aspirador robótico que se move pelo chão de forma autônoma, como um exemplo acessível.
“Roombas usam o mesmo tipo de tecnologia que estamos usando, apenas em um ambiente muito simplificado”, diz Trinkle. “Os Roombas sabem que há uma parede. Eles têm um mapa interno que garante que possam se mover sem esbarrar muito nas coisas.”
Trinkle diz que este mapa funciona de maneira semelhante ao cérebro humano.
“Seu cérebro envia sinais para seus músculos e eles mudam seu comprimento, contraindo ou expandindo, dependendo do que você está tentando executar”, diz ele. “Estamos fazendo algo semelhante aqui. Imagine pegar centenas ou milhares de unidades modulares e usá-las para construir sua própria tromba de elefante.”
Para fazer isso, os pesquisadores estão examinando de perto a biologia de uma série de estruturas animais moles para entender melhor como as células musculares funcionam em conjunto com os tendões e outros tecidos para articular os movimentos. Trinkle e seus alunos aplicam esses dados biológicos para construir uma simulação de computador de, por exemplo, uma tromba de elefante. Os componentes da estrutura e suas conexões entre si são representados com linhas cruzadas – as vermelhas representam as células musculares ativas e as cinzas para a gordura e o tecido conjuntivo, por exemplo.
Usando uma ferramenta de simulação, Trinkle aplica modelos matemáticos para instruir o apêndice simulado a se enrolar em torno de um objeto simulado, como um círculo, representando o que seria um disco em três dimensões.
Para projetar o “cérebro” ou “mapa” que instruirá um robô tridimensional como se mover, Trinkle usa técnicas empregadas na construção de redes neurais artificiais, um tipo de aprendizado de máquina modelado no cérebro humano. Essas redes neurais são treinadas por meio de dados em um processo semelhante ao aprendizado humano. Os dados “treinam” o sistema por meio de um processo semelhante a “tentativa e erro”. Nesse caso, a rede é treinada com dados gerados pela simulação computacional de uma tromba de elefante abstraída.
Fazer com que o tronco abstrato se enrole em torno do círculo e, por fim, mova o círculo para outra parte da tela, envolve várias etapas e muitas tentativas e erros à medida que o sistema é treinado.
“[O sistema] não sabe de nada, então quando ele aperta as fibras de um lado ou do outro, não sabe com antecedência como vai se mover, mas a rede neural vai descobrir que se faz certas coisas em suas fibras musculares, ele vai se mover de uma certa maneira “, diz Trinkle. “Ao longo de um longo horizonte de tempo, a simulação descobrirá algumas coisas. Vai tentar acabar colocando o disco no local certo.”
Ele compara o processo a um bebê aprendendo a engatinhar.
“Se um bebê está tentando aprender a engatinhar, ele fará algumas coisas que não funcionarão e, eventualmente, o bebê descobrirá”, diz Trinkle. “Em algum ponto, de repente, o bebê resolve os problemas e agora está engatinhando porque sua rede neural foi treinada com sua experiência.”
Nesta pesquisa, a simulação em computador é o campo de treinamento para os sistemas de robôs que as equipes irão construir.
Tornando os robôs “mais inteligentes, mais autônomos, mais adaptativos”
Trinkle e seus alunos conduzem experimentos para extrair “verdade fundamental”, ou informações diretamente observadas para alimentar seu programa de computador. Atualmente, eles estão trabalhando com um braço robótico leve de última geração, projetado especificamente para pesquisas acadêmicas e industriais. Uma característica fundamental do braço, de acordo com Jinda Cui, Ph.D. aluno e assistente de pesquisa no laboratório da Trinkle, é que ele tem “sete graus de liberdade”, ou sete juntas controladas de forma independente que permitem acessibilidade superior no espaço de trabalho tridimensional.
“Este robô tem uma junta redundante que pode se mover sem impactar o efetor final”, diz Cui.
Isso é significativo porque significa, por exemplo, que o mecanismo de preensão do robô, ou “mão”, pode permanecer na mesma posição mesmo enquanto as outras articulações do “braço” estão se movendo. Isso é especialmente útil quando o ambiente está desordenado e o robô precisa fazer muitos ajustes, explica Cui.
Ainda assim, quanto mais juntas ele tiver, mais difícil será o controle de um robô. Outro benefício da natureza avançada do robô é que a equipe pode acessar o sistema de baixo nível que controla diretamente os movimentos das articulações.
“Por meio da internet ou de outros protocolos de comunicação, podemos nos comunicar diretamente com o controlador e dizer às juntas o que fazer”, diz Cui. “Podemos modificar a velocidade da junta individualmente, ou até mesmo quanta corrente, ou quanto torque queremos dar a uma determinada junta.”
Trinkle e sua equipe também montaram um sistema de câmera de captura de movimento, semelhante ao que é usado para mapear o movimento de atores em imagens geradas por computador em filmes. Seu sistema é projetado para reunir dados sobre o posicionamento de objetos que, eventualmente, informariam seu programa de computador.
“Se este robô está tentando manipular algo, como pegar seu telefone, o sistema de visão deve ser capaz de rastrear onde seu telefone está e então o robô pode ajustar se o telefone não estiver onde deveria estar”, diz Trinkle.
No futuro, em vez de um sistema externo de câmera de captura de movimento, os robôs terão sensores integrados que rastreiam o movimento do objeto.
O robô da equipe vem com uma câmera tridimensional já instalada. Para seus experimentos, Trinkle e Cui planejam adicionar outros detectores, como sensores táteis, que seriam importantes para programar o robô para notar mudanças nas condições de contato, como a escorregabilidade de um objeto, e então ser capaz de se ajustar a isso.
“Nosso trabalho”, diz Cui, “é torná-lo mais inteligente, mais autônomo, mais adaptável”.
Fechando a “lacuna de realidade” entre a simulação de computador e o robô real
Trinkle observa que treinar o sistema de controle de um robô com simulações tem suas deficiências. Quando tentado em um espaço tridimensional, geralmente há uma “lacuna de realidade”. A rede neural artificial, treinada a partir de dados de simulação, uma vez aplicada a um robô físico pode tentar realizar a mesma tarefa da simulação e falhar. Ele diz que isso ocorre porque o modelo que foi aprendido com os dados da simulação foi tendencioso para a forma como a simulação funciona.
O desafio para pesquisadores de robótica como Trinkle é desenvolver uma simulação sólida e depois fazer alguns testes no mundo físico, sabendo que será necessário algum retreinamento. Felizmente, diz Trinkle, os pesquisadores estão apenas fazendo pequenos ajustes para que funcione no mundo físico, sem ter que começar todo o processo novamente.
Em outras palavras, ao desenvolver esta nova abordagem para ensinar robôs soft, Trinkle tentará treinar o “bebê” em 90 por cento do caminho para engatinhar na simulação e, em seguida, conseguir o resto do caminho experimentando em um robô físico.
A equipe planeja construir três sistemas robóticos completos como protótipos de teste, a partir de unidades de motor modulares, incluindo uma mão robótica macia que pode segurar uma ampla gama de tamanhos e formas de objetos; uma estrutura semelhante a um tronco com uma base estática que pode agarrar e manipular para frente e para trás, para cima e para baixo, para a esquerda e para a direita; e um robô semelhante a uma minhoca que pode se mover livremente em terrenos com grandes obstáculos. Esses robôs provavelmente envolverão algum tipo de pele de silicone para criar uma superfície de contato mais contínua.
Quanto aos robôs que um dia serão capazes de entender, Trinkle observa: “Era um assunto quente enquanto eu estava na faculdade e depois esfriou por 15 anos e depois esquentou novamente. Talvez porque tantos outros problemas tenham sido resolvidos, e o os restantes foram tão difíceis quanto o problema de agarrar, então agora há muito mais pessoas trabalhando em agarrar novamente. E agora que a IA e as redes neurais ficaram tão grandes, as pessoas estão tentando aplicar essas técnicas de várias maneiras diferentes para ganancioso porque ainda é o problema difícil de 30 anos atrás. ”
Embora ele acredite que há um longo caminho a percorrer antes que os cientistas resolvam os desafios técnicos de fazer com que os robôs entendam tão bem quanto os humanos ou melhor, Trinkle reconhece que esses não são os únicos desafios que precisam ser superados.
“Existem questões sociais como: as pessoas vão querer ficar perto dos robôs? Elas vão se tornar amigas?” ele pondera. Também existem desafios éticos para enfrentar. Ele cita os carros autônomos como exemplo. Em uma circunstância difícil, ele pergunta, o carro deve ser programado para salvar o motorista e os passageiros, ou salvar um pedestre que passa que pode ser atingido?
“Existem tantos tipos de problemas que as pessoas poderiam estudar”, acrescenta Trinkle. “Quando se trata de robôs, quem sabe se a sociedade será capaz de aceitá-los e até que ponto poderemos avançar na tecnologia.”
Publicado em 16/12/2020 00h24
Artigo original:
Estudo original: