Os robôs aprendem ajustes de movimento do tipo humano para evitar escorregar de objetos

Para enfrentar efetivamente uma variedade de tarefas do mundo real, os robôs devem ser capazes de compreender objetos de diferentes formas, texturas e tamanhos, sem soltá-los em locais indesejados. As abordagens convencionais para melhorar a capacidade dos robôs de agarrar os objetos funcionam, apertando o aperto de uma mão robótica para impedir que os objetos escorreguem.

Pesquisadores da Universidade de Lincoln, o Laboratório de Pesquisa de Cambridge da Toshiba Europe, a Universidade de Surrey, a Universidade Estadual do Arizona e o Kaist introduziram recentemente estratégias computacionais alternativas para impedir o deslizamento de objetos compreendidos por uma mão robótica, que funciona modulando as trajetórias que robóticas seguem a mão enquanto atendem a movimentos manipuladores. Sua abordagem, consistindo de um controlador robótico e uma nova estratégia de modulação de trajetória preditiva inspirada em bio, foi apresentada em um artigo publicado em Inteligência da máquina da natureza.

“A inspiração para este artigo veio de uma experiência muito humana”, disse Amir Ghalamzan, autor sênior do artigo, à Tech Xplore.

“Quando você carrega um objeto frágil ou escorregadio e sente que está começando a escorregar, você não apenas se aprimora. Em vez disso, você ajusta sutilmente seus movimentos – diminuindo, inclinando -se ou reposicionando a mão – para mantê -la. Os robôs, no entanto, que se deasam, historicamente, dependemos de que o aumento da força para prevenir o que prevêmos, que não se deas, que não se preocupemos. cenários. ”

O principal objetivo do estudo recente de Ghalamzan e seus colegas foi desenvolver um controlador que pode prever quando um objeto poderia escapar das mãos de um robô e ajustar seus movimentos de acordo para impedir que ele escorregue, da mesma forma como os seres humanos podem ajustar seus movimentos ao lidar com objetos. O controlador que eles desenvolveram depende de uma estratégia de modulação de trajetória bio-inspirada que complementa técnicas convencionais para modular a força da aderência de um robô, permitindo estratégias de manipulação mais dexteriana.

“Nossa abordagem imita como os humanos usam modelos internos para interagir com o mundo”, explicou Ghalamzan. “Assim como o cérebro humano prevê continuamente os resultados de nossas ações-como se um vidro pode escorregar se nos movemos muito rápido-construímos um modelo interno orientado a dados, ou ‘Modelo Mundial’, que permite que um robô preveja as sensações táteis futuras.

O controlador da equipe permite que os robôs desacelerem, mudem de direção e se adaptem à posição e orientação de suas mãos em tempo real, em vez de simplesmente apertar mais os objetos para impedir que eles escorreguem. Essa estratégia alternativa para proteger objetos, alterando os movimentos de um robô, pode ajudar a reduzir o risco de que objetos frágeis quebrem quando um robô os estiver lidando com eles. A abordagem de modulação de trajetória também funciona em casos em que a força da aderência de um robô não pode ser alterada, permitindo interações mais fluidas e mais inteligentes com uma ampla gama de objetos.

“Nosso estudo apresenta dois avanços importantes”, disse Ghalamzan. “O primeiro é um controlador de deslizamento baseado em movimento que é o primeiro do gênero. Essa estratégia complementa o controle baseado em força de força e é especialmente valioso quando o aumento da força de aderência não é viável-como com objetos frágeis, superfícies úmidas ou escorregadias ou hardware que não suporta controle dinâmico de controle.

“O segundo é um controlador preditivo, alimentado por um modelo tátil para a frente (ou seja, modelo mundial), que permite que os robôs prevam o deslizamento com base em suas ações planejadas”.

O controlador recém -desenvolvido foi usado para planejar os movimentos de uma garra robótica e testado em ambientes dinâmicos e não estruturados. Notavelmente, verificou -se que melhorou significativamente a estabilidade do alcance de um robô, em alguns casos, superando os controladores convencionais que funcionam apenas adaptando a força da aderência de um robô.

“Incorporar esse modelo em um loop de controle preditivo tem sido tradicionalmente exigente computacionalmente”, disse Ghalamzan. “Nosso estudo mostra que não é apenas viável, mas também eficaz”.

O trabalho recente dessa equipe de pesquisadores pode contribuir para o avanço dos sistemas robóticos, permitindo que eles lidem com várias interações físicas e potencialmente também também que utilizam um modelo mundial. Isso pode permitir que os robôs, por exemplo, lidem com diferentes objetos em uma ampla gama de configurações do mundo real, incluindo ambientes domésticos, locais de fabricação e instalações de saúde.

“Estamos trabalhando ativamente para tornar nosso controlador preditivo mais rápido e eficiente, para que possa ser implantado em configurações ainda mais exigentes em tempo real”, acrescentou Ghalamzan. “Isso inclui explorar diferentes técnicas arquitetônicas e algorítmicas para reduzir a sobrecarga computacional”.

Como parte de seus próximos estudos, os pesquisadores também estão expandindo seu sistema para apoiar tarefas de manipulação de objetos mais avançados e complexos, incluindo o manuseio de objetos ou itens deformáveis que precisam ser manipulados com duas mãos. Eventualmente, eles também planejam combinar sua abordagem com algoritmos de visão computacional, o que permitiria que sua abordagem planeje trajetórias para robôs com base em informações táteis e visuais.

“Outra direção importante é melhorar a verificabilidade e a explicação desses modelos aprendidos”, acrescentou Ghalamzan. “À medida que avançamos em direção a sistemas mais inteligentes e autônomos, é fundamental que os seres humanos possam entender e confiar como os robôs tomam decisões. Nossa visão de longo prazo é desenvolver controladores preditivos que não sejam apenas eficazes, mas também transparentes e seguros para a implantação no mundo real”.

© 2025 Science X Network