Engenheiros Desenvolvem Ferramenta para Melhorar qualquer Sistema Robótico Autônomo

Uma equipe de engenheiros do MIT desenvolveu um código de otimização para melhorar qualquer sistema robótico autônomo. O código identifica automaticamente como e onde alterar um sistema para melhorar o desempenho de um robô.

As descobertas dos engenheiros serão apresentadas na conferência anual de Robótica: Ciência e Sistemas em Nova York. A equipe incluiu Charles Dawson, estudante de pós-graduação do MIT, e ChuChu Fan, professora assistente no Departamento de Aeronáutica e Astronáutica do MIT.

Projetando Sistemas de IA e Robótica

A inteligência artificial (IA) e os sistemas robóticos são usados em uma ampla gama de indústrias, e cada sistema é o resultado de um processo de design específico para o sistema em questão. Para projetar um robô autônomo, os engenheiros confiam em simulações de tentativa e erro que são frequentemente informadas pela intuição. Ao mesmo tempo, as simulações são personalizadas para os componentes específicos do robô e suas tarefas designadas, o que significa que não há uma “receita” verdadeira para garantir um resultado bem-sucedido.

Os engenheiros do MIT estão mudando isso com sua nova ferramenta de design geral para robótica. Eles desenvolveram um código de otimização que pode ser aplicado a simulações de quase qualquer sistema robótico autônomo, e ajuda a identificar automaticamente as maneiras pelas quais o desempenho de um robô pode ser melhorado.

A ferramenta demonstrou a capacidade de melhorar o desempenho de dois sistemas autônomos muito diferentes. O primeiro era um robô que navegava por um caminho entre dois obstáculos, e o outro era um par de robôs que trabalhavam juntos para mover uma caixa pesada.

De acordo com os pesquisadores, essa nova ferramenta de otimização de propósito geral pode ajudar a acelerar o desenvolvimento de uma ampla gama de sistemas autônomos, como robôs que caminham ou veículos autônomos.

Dawson e Fan disseram que perceberam a necessidade dessa ferramenta após observar as várias ferramentas de design automatizadas disponíveis para outras disciplinas de engenharia.

“Se um engenheiro mecânico quisesse projetar uma turbina eólica, ele poderia usar uma ferramenta de design 3D CAD para projetar a estrutura, e então usar uma ferramenta de análise de elementos finitos para verificar se ela resistiria a certas cargas”, diz Dawson. “No entanto, há uma falta dessas ferramentas de design assistidas por computador para sistemas autônomos.”

Para otimizar um sistema autônomo, um robótico normalmente desenvolve primeiro uma simulação do sistema e seus subsistemas interagindo antes de tomar certos parâmetros de cada componente. A simulação é então executada para ver como o sistema se sairia.

Múltiplos processos de tentativa e erro devem ser executados antes que a combinação ótima de ingredientes possa ser determinada, e isso é uma tarefa demorada.

“Em vez de dizer, ‘Dado um design, qual é o desempenho?’, queríamos inverter isso para dizer, ‘Dado o desempenho que queremos ver, qual é o design que nos leva até lá?'” diz Dawson.

A estrutura de otimização, ou código de computador, foi projetada para encontrar automaticamente ajustes que podem ser feitos em um sistema existente. O código é baseado na diferenciação automática, que é uma ferramenta de programação inicialmente usada para treinar redes neurais. Também denominada “autodiff”, essa técnica ajuda a avaliar rapidamente e com eficiência a “derivada”, ou a sensibilidade à mudança de qualquer parâmetro.

“Nosso método nos diz automaticamente como dar pequenos passos de um design inicial em direção a um design que atinge nossos objetivos”, diz Dawson. “Usamos autodiff para basicamente examinar o código que define um simulador, e descobrir como fazer essa inversão automaticamente.”

Testando a Ferramenta

A ferramenta foi testada em dois sistemas robóticos autônomos separados, e melhorou o desempenho de cada sistema em experimentos de laboratório. Enquanto o primeiro sistema consistia em um robô com rodas projetado para planejar um caminho entre dois obstáculos, foi o segundo sistema que foi realmente impressionante.

O segundo sistema era mais complexo, com dois robôs com rodas trabalhando juntos para empurrar uma caixa em direção a uma posição de destino, o que significava que a simulação incluía muitos mais parâmetros. A ferramenta foi capaz de identificar eficientemente os passos necessários para os robôs realizarem sua tarefa, e o processo de otimização foi 20 vezes mais rápido do que as técnicas convencionais.

“Se o seu sistema tiver mais parâmetros para otimizar, nossa ferramenta pode fazer ainda melhor e pode economizar tempo exponencialmente”, diz Fan. “É basicamente uma escolha combinatória: à medida que o número de parâmetros aumenta, também aumentam as escolhas, e nossa abordagem pode reduzir isso de uma vez.”

A ferramenta de otimização geral está disponível para download, e a equipe agora buscará aprimorá-la ainda mais, o que a tornará útil para sistemas mais complexos.

“Nosso objetivo é empoderar as pessoas a construir robôs melhores”, diz Dawson. “Estamos fornecendo um novo bloco de construção para otimizar seu sistema, para que eles não precisem começar do zero.”