Um robusto, Um robô adaptável que responde ao ambiente em movimento e supera obstáculos como uma perna quebrada sem intervenção humana pode ser usado para resgatar pessoas de uma zona de terremoto ou limpar locais que são muito perigosos para os humanos.

Faz parte de um campo de trabalho que consiste na construção de máquinas que podem fornecer ajuda em tempo real usando apenas dados limitados como entrada. Os algoritmos de aprendizado de máquina padrão geralmente precisam processar milhares de possibilidades antes de decidir sobre uma solução, o que pode ser impraticável em cenários pressurizados onde a adaptação rápida é crítica.

Após o desastre nuclear de Fukushima no Japão em 2011, por exemplo, robôs foram enviados à usina para limpar detritos radioativos em condições perigosas demais para os humanos. O problema, Segundo o pesquisador de robótica, o professor Jean-Baptiste Mouret, os robôs continuaram quebrando ou se depararam com perigos que os pararam.

Como parte da iniciativa ResiBots, ele está projetando um robô de baixo custo que pode durar longos períodos sem precisar de manutenção humana constante para quebras e é melhor para superar obstáculos inesperados.

A equipe ResiBots está usando o que chama de algoritmos de aprendizagem de microdados, que pode ajudar os robôs a se adaptarem diante dos olhos de uma maneira semelhante à forma como os animais reagem aos problemas. Um animal vai, por exemplo, muitas vezes encontram uma maneira de continuar se movendo se eles se machucarem, mesmo que eles não saibam exatamente qual é o problema.

Em contraste, a maioria dos robôs atuais faz o autodiagnóstico de um problema antes de descobrir uma maneira de superá-lo, diz o Prof. Mouret, pesquisador principal da ResiBots e pesquisador sênior do centro de pesquisa Inria, na França.

"Estamos tentando encurtar isso, encontrando uma maneira de eles reagirem sem necessariamente ter desenvolvido uma compreensão do que está errado, " ele disse.

Em vez de autodiagnóstico, o objetivo desses robôs é aprender de forma proativa por tentativa e erro quais ações alternativas eles podem tomar. Isso poderia ajudá-los a superar as dificuldades e impedi-los de desligar em situações como cenários de desastre como Fukushima, disse o Prof. Mouret.

Isso pode não ser inteligência artificial completa, mas o Prof. Mouret ressalta que ter conhecimento de tudo não é essencial para fazer um robô funcionar.

"Não estamos tentando resolver tudo, "disse ele." Estou mais interessado em como eles podem se adaptar - e, na verdade, adaptar-se ao que está acontecendo é uma das coisas que torna os animais inteligentes. "

Infância simulada

Em uma das abordagens mais promissoras desenvolvidas no projeto ResiBots, os robôs têm uma infância simulada, em que aprendem diferentes maneiras de mover seu corpo usando um algoritmo que pesquisa antecipadamente para coletar exemplos de comportamentos úteis.

Isso significa que, ao buscar uma maneira de se mover, os robôs precisam escolher um entre cerca de 13, 000 comportamentos em vez de cerca de 10 ⁴⁷ opções que os algoritmos padrão podem selecionar. E o objetivo é que eles experimentem apenas alguns deles antes de encontrarem um que funcione.

A maioria dos testes do ResiBot está sendo realizada em um robô de seis pernas que busca encontrar novas maneiras de se mover depois de ter uma ou mais pernas removidas. Nos últimos testes, O professor Mouret disse que os robôs aprenderam a andar em um a dois minutos depois que uma de suas pernas foi arrancada, o que significa que geralmente precisam testar menos de 10 comportamentos antes de encontrar um que funcione.

No total, os pesquisadores estão trabalhando em meia dúzia de robôs em vários níveis de complexidade, incluindo um robô humanóide semelhante a uma criança conhecido como iCub. Embora o muito mais complexo iCub ainda não esteja sendo usado em muitos testes, a equipe espera fazer isso mais com o tempo.

"Os humanóides têm o potencial de ser altamente versáteis e se adaptarem bem a ambientes projetados para humanos, "disse o Prof. Mouret." Por exemplo, as usinas nucleares têm portas, alavancas e escadas projetadas para as pessoas. "

Existem, Contudo, alguns grandes desafios ainda a serem superados, incluindo o fato de que um robô precisa ser movido de volta à sua posição inicial, uma vez que um membro é removido, ao invés de ser capaz de continuar do local da lesão em direção ao alvo.

Segurança

Existem também questões de segurança mais amplas envolvendo esses robôs - por exemplo, garantindo que eles não prejudiquem os sobreviventes do terremoto ao resgatá-los, particularmente se o robô está aprendendo por tentativa e erro, disse o Prof. Mouret.

Ele acredita que levará pelo menos quatro ou cinco anos antes que tal robô possa ser usado no campo, mas espera que as técnicas possam eventualmente ser empregadas em todos os tipos de robô - não apenas para situações de desastre, mas em casa e em outros cenários.

Mas não é apenas a mecânica que pode ajudar os robôs a navegar no mundo real. Os robôs também podem se adaptar melhor se puderem conectar mais fortemente a linguagem à realidade.

Professora Gemma Boleda da Universitat Pompeu Fabra na Espanha, tem formação em linguística e sua equipe está tentando vincular a pesquisa neste campo à inteligência artificial para ajudar as máquinas a entender melhor o mundo ao seu redor, como parte de um projeto chamado AMORE.

É algo que pode ser útil para tornar tecnologias como o GPS mais inteligentes. Por exemplo, ao dirigir um carro, o sistema GPS pode especificar que você vire à direita onde 'a grande árvore' está, distinguindo-o de várias outras árvores.

O prof. Boleda diz que isso foi difícil de fazer no passado por causa da dificuldade de modelar a maneira como os humanos vinculam a linguagem à realidade.

"No passado, a linguagem foi amplamente representada fora do contexto, "disse o Prof. Boleda.

O objetivo do AMORE é fazer com que os computadores entendam palavras e conceitos em um contexto do mundo real, em vez de palavras individuais isoladas, ela diz. Por exemplo, um robô aprenderia a conectar a frase "este cachorro" com um cachorro real na sala, representando as palavras e as entidades do mundo real.

"O ponto crucial desses modelos é que eles são capazes de aprender suas próprias representações a partir dos dados, "ela acrescentou." Antes, os pesquisadores tiveram que dizer à máquina como era o mundo. "

Dar às máquinas uma melhor compreensão do mundo ao seu redor irá ajudá-las a fazer "mais com menos" em termos da quantidade de dados de que precisam e a obter melhores previsões de resultados, Disse o Prof. Boleda.

Também pode ajudar com a questão de ter espaço físico suficiente em dispositivos como telefones celulares para a próxima onda de aplicativos inteligentes.

"Estou trabalhando com linguagem, mas esse problema de precisar de muitos dados é um problema que assola muitos outros domínios da inteligência artificial, "disse o Prof. Boleda." Então, se eu desenvolver métodos que podem fazer mais com menos, então, eles também podem ser aplicados em outro lugar. "