Método de Aprendizado Permite que Robôs Aprendam Assistindo Humanos

Um novo método de aprendizado desenvolvido por pesquisadores da Universidade Carnegie Mellon (CMU) permite que robôs aprendam diretamente a partir de vídeos de interação humana e generalizem as informações para novas tarefas, o que ajuda a aprender a realizar tarefas domésticas. O método de aprendizado é chamado de WHIRL, que significa Aprendizado de Robôs Imitando Humanos no Mundo Real, e ajuda o robô a observar as tarefas e coletar dados de vídeo para eventualmente aprender a completar o trabalho sozinho.

A pesquisa foi apresentada na conferência Robotics: Science and Systems em Nova York.

Imitação como uma Forma de Aprender

Shikhar Bahl é um estudante de doutorado no Instituto de Robótica (RI) da Escola de Ciência da Computação da Universidade Carnegie Mellon.

“A imitação é uma ótima forma de aprender”, disse Bahl. “Ter robôs que aprendam diretamente assistindo humanos permanece um problema não resolvido no campo, mas este trabalho dá um passo significativo para permitir essa capacidade.”

Bahl trabalhou ao lado de Deepak Pathak e Abhinav Gupta, ambos membros da faculdade do RI. A equipe adicionou uma câmera e seu software a um robô de prateleira que aprendeu a completar mais de 20 tarefas. Essas tarefas incluíam tudo, desde abrir e fechar eletrodomésticos até tirar um saco de lixo da lixeira. Cada vez que o robô assistia um humano completar as tarefas antes de tentar ele mesmo.

Pathak é professor assistente no RI.

“Este trabalho apresenta uma forma de trazer robôs para dentro de casa”, disse Pathak. “Em vez de esperar que os robôs sejam programados ou treinados para completar tarefas com sucesso antes de implantá-los em casas de pessoas, esta tecnologia permite implantar os robôs e permitir que eles aprendam a completar tarefas, adaptando-se ao ambiente e melhorando apenas assistindo.”

WHIRL vs. Métodos Atuais

A maioria dos métodos atuais para ensinar um robô a realizar uma tarefa depende de aprendizado por imitação ou reforço. Com o aprendizado por imitação, os humanos operam manualmente um robô e o ensinam a completar uma tarefa, o que requer ser realizado várias vezes antes que o robô aprenda. Com o aprendizado por reforço, o robô é geralmente treinado em milhões de exemplos em simulação antes de adaptar o treinamento ao mundo real.

Embora ambos os modelos sejam eficientes para ensinar um robô a realizar uma tarefa em um ambiente estruturado, eles se provam difíceis de escalar e implantar. Mas com o WHIRL, um robô pode aprender a partir de qualquer vídeo de um humano realizando uma tarefa. Além disso, é facilmente escalável, não está confinado a uma tarefa específica e pode operar em ambientes domésticos.

O WHIRL permite que os robôs realizem tarefas em seus ambientes naturais. E, embora as primeiras tentativas geralmente tenham terminado em falha, o robô pode aprender muito rapidamente após apenas alguns sucessos. O robô não sempre realiza a tarefa com os mesmos movimentos que um humano, mas isso ocorre porque ele tem partes diferentes que se movem de forma diferente. Com isso dito, o resultado final de realizar as tarefas é sempre o mesmo.

“Para escalar a robótica no mundo real, os dados devem ser confiáveis e estáveis, e os robôs devem melhorar em seu ambiente praticando sozinhos”, disse Pathak.