Graças à nova tecnologia que lhes permite criar ferramentas simples, os robôs podem estar à beira de sua própria versão da Idade da Pedra.

Usando uma nova capacidade de raciocinar sobre a forma, função, e fixação de partes não relacionadas, pela primeira vez, os pesquisadores treinaram com sucesso um agente inteligente para criar ferramentas básicas combinando objetos.

A descoberta vem do laboratório de pesquisa Robot Autonomy and Interactive Learning (RAIL) da Georgia Tech e é um passo significativo para permitir que agentes inteligentes criem ferramentas mais avançadas que podem ser úteis em ambientes perigosos - e potencialmente fatais.

O conceito pode parecer familiar. É chamado de "MacGyvering, "baseado no nome de uma série de televisão dos anos 1980 - e reiniciada recentemente -. Na série, o personagem-título é conhecido por sua habilidade não convencional de resolução de problemas usando diferentes recursos disponíveis para ele.

Por anos, cientistas da computação e outros têm trabalhado para fornecer robôs com recursos semelhantes. Em seu novo trabalho de robô MacGyvering, Os pesquisadores do laboratório RAIL liderados pela Professora Associada Sonia Chernova usaram como ponto de partida uma técnica de robótica desenvolvida anteriormente pelo ex-professor Mike Stilman da Georgia Tech.

Neste último trabalho, um robô treinado com a abordagem inovadora da equipe recebe um conjunto de peças opcionais e é instruído a fazer uma ferramenta específica. Muito parecido com suas contrapartes humanas, o robô primeiro examina as formas de cada parte e como uma pode ser anexada a outra.

Usando o aprendizado de máquina, o robô é treinado para combinar forma com função - cujas formas de objeto facilitam um determinado resultado - a partir de vários exemplos de objetos do dia-a-dia. Por exemplo, aprendendo que a concavidade das tigelas permite que eles retenham líquidos, faz uso desse conhecimento ao construir uma colher. De forma similar, os robôs aprenderam a unir objetos a partir de exemplos de materiais que podiam ser perfurados ou agarrados.

No estudo, pesquisadores criaram martelos com sucesso, espátulas, colheres, rodos, e chaves de fenda.

"A chave de fenda era particularmente interessante porque o robô combinava um alicate e uma moeda, "disse Lakshmi Nair, um Ph.D. aluna da Escola de Computação Interativa e uma das pesquisadoras do projeto. "Ele concluiu que o alicate era capaz de agarrar algo e disse que a moeda parecia ser a cabeça de uma chave de fenda. Coloque-os juntos, e cria uma ferramenta eficaz. "

Atualmente, o robô está limitado apenas à forma e ao acessório. Ele ainda não pode raciocinar de forma eficaz sobre propriedades de materiais particulares, uma etapa crucial no avanço para um cenário do mundo real.

"As pessoas argumentam que os martelos são resistentes e fortes, então você não faria um martelo de blocos de espuma, "Nair disse." Queremos atingir esse nível de raciocínio em nosso trabalho, que é algo em que estamos trabalhando agora. "

A inspiração para o trabalho vem da popular história da Apollo 13, o condenado sétimo vôo tripulado do programa espacial Apollo. Depois que um tanque de oxigênio no módulo de serviço do navio explodiu dois dias após o início da missão, os membros da tripulação foram forçados a fazer modificações improvisadas no sistema de remoção de dióxido de carbono.

Apesar de uma janela de tempo perigosamente apertada e tensão extremamente alta entre todos a bordo e no controle da missão, o resgate foi bem-sucedido. Nair e seus colaboradores esperam que esta pesquisa seja fundamental para a tecnologia robótica do futuro, que poderia raciocinar mais rápido e sem o peso do estresse.

"Eles conseguiram fazer este filtro, mas a solução demorou muito para ser encontrada, "Nair disse." Queremos fazer robôs que possam ajudar os humanos neste tipo de cenário para tirar a pressão deles para chegar a soluções inovadoras e potencialmente salvar suas vidas. "

Este trabalho foi apresentado na conferência 2019 Robotics:Science and Systems em um artigo intitulado "Autonomous Tool Construction Using Part Shape and Attachment Prediction" (Lakshmi Nair, Nithin Shrivatsav, Zackory Erickson, Sonia Chernova).