Olhe para o cachorro-robô.
Ele trota. Então ele limita. Nenhum humano dizendo o que fazer. Apenas muda.
Esse é o KAIST HOUND. Ele pesa cerca de 45 quilos e se move com uma fluidez que antes era impossível para máquinas desse tipo. Ele usa câmeras e lidar para observar o terreno à frente. Então ele escolhe uma marcha. Um trote constante para as partes planas. Uma corrida rápida e saltitante para as lacunas. Ele faz tudo isso em tempo real, ajustando as pernas sem pedir permissão.
Os pesquisadores provaram isso lá fora. Eles levaram o bot por um campus universitário, com cerca de 1,1 quilômetro de calçada. Então eles o enviaram para a floresta. Uma trilha de 0,3 km coberta de raízes, troncos e folhas escorregadias. Ele cuidou de tudo. Os detalhes apareceram na Science Robotics em 15 de julho.
Por que é difícil
Os animais mudam de andar o tempo todo. Você sabe como um cachorro diminui a velocidade para trotar sobre a terra áspera e depois salta sobre um pedaço de pau quando o caminho fica livre? Parece natural.
Fazer isso em um robô não é nada natural. É complicado.
Normalmente, um trote e um salto são codificados por sistemas totalmente separados. Alternar entre eles cria atraso. Lag significa tropeçar. Tropeçar significa que o robô quebra ou falha. A lacuna entre dois estilos de codificação é onde os robôs morrem.
A equipe precisava de uma ponte.
O cérebro por trás da força muscular
Eles construíram algo chamado APT-RL.
Significa aprendizagem por reforço baseada em transformador pré-treinado por ação. O nome é complicado. O conceito é mais simples.
Primeiro, a IA estudou várias ações. Um modelo de transformador examinou os padrões de todos eles. Então o aprendizado por reforço entrou em ação. Tentativa e erro. Recompensas para boas jogadas, penalidades para más jogadas.
Mas de onde vieram os dados?
Eles ainda não construíram um robô de verdade. Eles começaram em 2D. Um modelo de computador simples. Eles usaram a otimização da trajetória para descobrir o que funciona fisicamente para as pernas. Eles geraram 180,0 milhões de sequências. Curtas rajadas de trote e saltos. Eles calcularam as forças conjuntas necessárias. Demorou oito minutos para criar esse conjunto de dados. Quinze horas de dados de movimento. Pronto no tempo que leva para ferver a água.
Em seguida, a IA teve que aprender quando usar o quê.
A simulação lançou obstáculos. Escadaria. Degraus. Obstáculos. Lacunas. Terreno acidentado. O bot teve que descobrir como selecionar a habilidade certa e modificá-la na hora.
E aqui está o chute. A simulação adicionou câmeras de profundidade e scanners lidar. Tinha que “ver” como o bot real faria.
“O sistema seleciona andamentos apropriados e ajusta os movimentos em tempo real com base na entrada visual.”
Em um teste interno, a coisa ultrapassou um obstáculo de sessenta centímetros de altura. Ele atingiu 15 quilômetros por hora (cerca de 9 mph) enquanto fazia isso. Até pulou três degraus.
Observe como ele escolheu seus movimentos. Velocidades mais baixas? Ele trotou. Terreno irregular? Permaneceu baixo e cuidadoso. Altas velocidades? Grandes passos? Ele ligou.
Sempre fez a ligação certa. Uma versão do software restrita apenas ao trote falhava com frequência. O mesmo aconteceu com a versão forçada a apenas vincular. O híbrido? Consistente.
Isso é apenas um truque?
Não. O robô aprendeu comportamentos que nunca foram explicitamente ensinados. Como pular um tronco. Os dados de treinamento originais eram planos. O log não estava no plano. Mas a IA descobriu isso porque o treinamento não consistia apenas em copiar, mas sim em compreender o terreno em três dimensões.
Ele se corrige.
Ele se adapta.
Esse é o tipo de coisa que muda o que essas máquinas podem realmente fazer fora de um laboratório. Não são necessários mais pisos planos.
Você verá um entregando pacotes a seguir? Talvez.
Ou talvez permaneça no campus por um tempo.
