https://www.youtube.com/watch?v=3VB6Nodb-qu
Os robôs industriais de programação são um processo trabalhoso que geralmente depende de pingentes de ensino, ferramentas offline e julgamento e erro. A coordenação de vários robôs em espaços compartilhados acrescenta mais complexidade, tornando provável colisões e ineficiências. Com mais de 4,3 milhões de robôs industriais em uso em todo o mundo, o tempo necessário para a programação continua sendo uma grande barreira para escalar a automação.
Um estudo publicado recentemente em Robótica científica propõe uma nova direção. O jornal, “Roboballet: Planejando para o alcance de vários robôs com redes neurais gráficas e aprendizado de reforço”Detalhes pesquisas realizadas pelo Google DeepMind Robotics, Intrinsic e University College London. A equipe desenvolveu um modelo de IA que usa o aprendizado de reforço e as redes gráficas (GNNs) para gerar planos de movimento sem colisão para vários robôs em espaços de trabalho compartilhados. Você pode assistir ao sistema em ação no vídeo no topo desta página.
O problema que os pesquisadores abordaram não é novo. Os algoritmos de planejamento de movimento clássicos podem produzir caminhos confiáveis para robôs individuais. No entanto, dimensionar esses métodos para vários robôs que operam em trimestres apertados se torna computacionalmente difícil. Os engenheiros freqüentemente gastam tempo significativo parametrizando algoritmos ou ajustando manualmente as trajetórias para evitar conflitos. A nova abordagem da IA visa automatizar grande parte desse processo.
Intrinsic é um jogador relativamente novo no espaço da robótica industrial. A empresa saiu da “Moonshot Factory” do Alphabet em 2021, com o objetivo de facilitar o uso, o programa e a escala dos robôs industriais. Desde então, ele se expandiu através de P&D internas e aquisições. Em 2022, a Intrinsic adquiriu a Open Source Robotics Foundation, a organização por trás do Robot Operating System (ROS). Esse movimento sinalizou um compromisso de apoiar a comunidade de robótica mais ampla, integrando a experiência em ROS no desenvolvimento do próprio Intrinsic de ferramentas de automação mais inteligentes.
No centro do método, há um GNN treinado através do aprendizado de reforço em milhões de cenários gerados sinteticamente. Nesta estrutura, robôs, tarefas e obstáculos são representados como nós em um gráfico, enquanto as bordas definem seus relacionamentos. Os pesquisadores disseram que o modelo aprende a planejar trajetórias por tentativa e erro, eventualmente desenvolvendo estratégias generalizadas que podem ser aplicadas a layouts novos e invisíveis. Uma vez treinado, a Intrinsic disse que o sistema requer apenas arquivos CAD e descrições de tarefas de alto nível para produzir planos de movimento sem codificação manual, ensinar pingentes ou ajustes finos.
Nas avaliações de laboratório, o modelo gerou planos de movimento para até oito robôs, geralmente produzindo soluções quase ideais em segundos. De acordo com a Intrinsic, a abordagem baseada em IA mostrou melhorias de cerca de 25% na qualidade da trajetória quando comparada aos métodos tradicionais, além de demonstrar forte escalabilidade. Por exemplo, ao passar de quatro para oito robôs, o tempo de execução de tarefas diminuiu em média 60%. A Intrinsic disse que isso sugere que a eficiência pode aumentar com a complexidade do sistema, em vez de se degradar.
A capacidade de lidar com “feixes de tarefas” sem instruções passo a passo detalhadas torna o sistema digno de nota. Dado um conjunto de objetivos, os desenvolvedores disseram que o modelo determina automaticamente a sequência de ações e trajetórias correspondentes sem colisão. Devido à maneira como codifica relacionamentos entre entidades em uma célula de trabalho, ele também pode se adaptar a novos cenários sem reciclagem ou intervenção humana, de acordo com o Google DeepMind e o Intrinsic.
A equipe de Roboballet disse que o planejamento orientado à IA pode reduzir o tempo de programação, melhorar a flexibilidade e permitir uma adaptação mais rápida às mudanças nos projetos de produtos ou às interrupções inesperadas. Olhando para o futuro, combinar essa abordagem com a percepção habilitada para AI no limite pode permitir que os robôs replanam em tempo real em resposta a mudanças dinâmicas, reduzindo ainda mais o tempo de inatividade.