Robôs que Sabem Quando Ser Delicados: MoMo da Apple Ensina Máquinas a Ajustarem o Seu Próprio Estilo de Movimento

Pontos-chave

• A Apple ML Research publicou MoMo, uma estrutura de aprendizagem em duas fases que ensina robôs a variar o seu estilo de movimento em diferentes tarefas.
• O sistema foi testado em seis tarefas reais de manipulação robótica e produziu alterações constantes e controláveis na forma como cada movimento se desenrola.
• Uma única entrada tipo dial chamada "condição de modo de movimento" permite que os operadores alterem o comportamento do robô sem reescrever código.
• MoMo utiliza aprendizagem por imitação, um método de treino em que o robô estuda exemplos de humanos a executar uma tarefa e depois copia o padrão subjacente.

A maioria dos robôs move-se da mesma forma todas as vezes. Peça a um para apanhar um ovo cru e um tijolo, e ele apertará ambos com força idêntica, à mesma velocidade, seguindo o mesmo arco. Isto funciona numa fábrica onde cada objeto é idêntico. Falha em qualquer outro local.

A Apple ML Research publicou um sistema esta semana chamado MoMo que tenta resolver isto. A ideia é simples em princípio: ensinar um robô não apenas o que fazer, mas como deve sentir-se enquanto o faz, e tornar esse "como" algo que possa ajustar instantaneamente.

Como é que MoMo funciona realmente?

MoMo tem duas partes a trabalhar em conjunto. Primeiro, um tokenizador, que é software que divide um fluxo de dados de movimento em pequenos pedaços etiquetados, tal como a autocorreção divide a fala em palavras. O tokenizador de MoMo funciona tanto no espaço (onde o braço se move) como no tempo (qual é a velocidade de movimento), por isso captura a textura completa de um movimento, não apenas o seu ponto final.

A segunda parte é um transformador, a mesma classe de software que alimenta os chatbots modernos. Este transformador recebe duas entradas: a tarefa em si e um número contínuo numa escala que os investigadores chamam de condição de modo de movimento. Pense nisto como um único controlo deslizante. Empurre-o de um lado e o robô move-se deliberada e delicadamente. Empurre-o do outro lado e o robô move-se rápida e assertivamente. Cada posição entre estes dois extremos produz um estilo físico correspondentemente diferente.

Criticamente, o robô aprende este comportamento do controlo deslizante a partir de aprendizagem por imitação, observando humanos a completarem tarefas e absorvendo o padrão de variação, não apenas o resultado médio. Isto significa que o mesmo modelo treinado pode cobrir todo um espectro de movimento sem que alguém tenha de escrever novas instruções para cada ponto desse espectro.

Porque é que isto importa fora de um laboratório?

No mundo real, o contexto muda constantemente. Um robô a manusear medicamentos numa farmácia hospitalar necessita de um toque diferente do que o mesmo robô a reorganizar prateleiras. Uma máquina a montar um ecrã de telemóvel necessita de precisão lenta; mover caixas vazias através de um armazém pode ser rápido. Atualmente, a mudança entre esses modos geralmente significa que engenheiros humanos intervêm para ajustar definições. A abordagem de MoMo permitiria que o robô recebesse um sinal simples e se adaptasse a si próprio.

A Apple ML Research testou a estrutura em seis tarefas reais de manipulação robótica, o trabalho prático de apanhar, colocar e mover objetos, e reportou que a variação da condição de modo de movimento produziu alterações constantes e previsíveis no comportamento em todas elas.

A investigação ainda se encontra numa fase académica. Nenhum comunicado de produto acompanhou o artigo, e a lacuna entre uma demonstração em laboratório e um robô em que confia numa farmácia hospitalar ou numa casa é grande. Mas a questão subjacente que MoMo responde é aquela com que toda a indústria está a lutar: pode um robô aprender um sentido reutilizável de como mover-se, partilhado em todas as tarefas que conhece?

Este trabalho sugere que a resposta é sim.

Perguntas frequentes

Isto significa que os robôs em breve se adaptarão a qualquer situação por si próprios?

Ainda não. MoMo mostra que o estilo de movimento pode ser aprendido e controlado com uma única entrada, mas o sistema ainda necessita de dados de treino recolhidos por humanos para cada tarefa e de um operador para definir o valor da condição de modo de movimento. A autonomia completa em situações abertas permanece um problema não resolvido.

Pode esta tecnologia aparecer em robôs de consumo ou médicos?

Possivelmente, com o tempo. A estrutura é suficientemente geral para se aplicar a qualquer braço robótico a fazer trabalho de manipulação, mas passar de um artigo de investigação para um dispositivo médico ou de consumo certificado leva anos de testes de segurança e aprovação regulatória.