Um sistema que permite que robôs cortem objetos feitos de vários materiais

Os seres humanos aprendem inatamente a adaptar seus movimentos com base nos materiais que estão manuseando e nas tarefas que estão tentando concluir. Ao cortar frutas ou vegetais específicos, por exemplo, eles podem aprender a cortar partes mais duras, como caroços de abacate ou pêssego, ou eliminar cuidadosamente a casca externa.

Para ajudar os humanos nas tarefas diárias, como cozinhar e preparar alimentos, os robôs também devem ser capazes de cortar objetos com composições ou texturas de materiais mistos. Transferir essa capacidade para robôs, no entanto, provou ser bastante desafiador até agora.

Pesquisadores da Columbia University, CMU, UC Berkeley e outros institutos nos EUA criaram recentemente o RoboNinja, um sistema baseado em aprendizado de máquina que pode permitir que robôs cortem objetos multimateriais, particularmente objetos macios com núcleos duros. Seu artigo, publicado no arXiv servidor de pré-impressão, pode ajudar a aprimorar as capacidades dos robôs projetados para ajudar os humanos nas tarefas domésticas e diárias da cozinha.

“Em contraste com trabalhos anteriores usando ações de corte em circuito aberto para cortar objetos de um único material (por exemplo, fatiar um pepino), o RoboNinja visa remover a parte macia de um objeto enquanto preserva o núcleo rígido, maximizando assim o rendimento”, Zhenjia Xu, Zhou Xian e seus colegas escreveram em seu jornal. “Para conseguir isso, nosso sistema fecha o ciclo percepção-ação utilizando um estimador de estado interativo e uma política de corte adaptável”.

Xu, Xian e seus colegas decidiram criar um sistema que permitisse a um robô cortar frutas como manga, pêssego e abacate, removendo a polpa macia da semente rígida no meio. O objetivo do sistema é remover o máximo de polpa possível, minimizando as colisões com a semente central e consumindo uma quantidade limitada de energia.

“O sistema primeiro emprega informações esparsas de colisão para estimar iterativamente a posição e a geometria do núcleo de um objeto e, em seguida, gera ações de corte em circuito fechado com base no estado estimado e em um valor de tolerância”, escreveram Xu, Xian e seus colegas em seu artigo. “A ‘adaptabilidade’ da política é alcançada através do valor de tolerância, que modula o conservadorismo da política ao encontrar colisões, mantendo uma distância de segurança adaptativa do núcleo estimado.”

Para avaliar seu sistema de corte de objetos multimateriais, os pesquisadores criaram um ambiente de simulação de corte mais adequado para avaliar o problema que estavam enfrentando. Este ambiente apresenta diferentes cenários em que um robô corta objetos feitos de uma combinação de materiais macios e rígidos.

“Os simuladores existentes são limitados na simulação de objetos multimateriais ou no cálculo do consumo de energia durante o processo de corte”, explicaram Xu, Xian e seus colegas em seu artigo. “Para resolver esse problema, desenvolvemos um simulador de corte diferenciável que oferece suporte ao acoplamento multimaterial e permite a geração de trajetórias otimizadas como demonstrações para aprendizado de políticas.”

Os resultados das simulações realizadas por Xu, Xian e seus colegas foram promissores, pois o RoboNinja permitiu que sua pinça robótica simulada removesse uma quantidade significativa de materiais macios de objetos, minimizando colisões com partes rígidas e consumindo uma quantidade razoável de energia. Posteriormente, a equipe testou sua estrutura em uma pinça robótica real, para validar ainda mais seu desempenho em configurações do mundo real e ao cortar objetos com diferentes geometrias centrais.

“Nossos experimentos mostram que nosso método é capaz de generalizar bem para novas geometrias de núcleo e até frutas reais”, concluíram os pesquisadores em seu artigo. “Esperamos que nossas descobertas experimentais e o simulador recém-desenvolvido inspirem trabalhos futuros no aprendizado de robôs envolvendo interações com objetos multimateriais”.

© 2023 Science X Network