Modelo de mundo baseado em física da NTT avalia ações de robôs antes da execução

Em 11 de novembro de 2026, a NTT, Inc. anunciou um modelo de mundo baseado em física que avalia ações candidatas de robôs antes da execução, a fim de reduzir falhas como objetos derrubados e cargas que desmoronam. A empresa afirmou que a tecnologia elevou a taxa de sucesso de uma tarefa de 73,1% para 92,3% em um teste de carregamento de prateleira com um robô pequeno.

A primeira aplicação prevista é o carregamento e descarregamento automatizados de bagagens em aeroportos. A variação no formato, no peso e na disposição das bagagens dificulta que o controle convencional de robôs, por si só, determine antecipadamente se uma ação fará uma carga desmoronar ou derrubará um item, e é impraticável coletar dados de treinamento para todos os itens possíveis. A NTT planeja realizar testes em campo com a Mujin, Inc. para o manuseio de bagagens.

Como o modelo avalia ações candidatas

A tecnologia funciona com os softwares de controle de robôs existentes, acrescentando previsão e avaliação antes do movimento. As ações candidatas podem vir de um modelo de visão-linguagem-ação, que converte vídeos de câmeras e instruções em linguagem em ações para robôs, ou de um planejador de movimento, que calcula os controles necessários para atingir um objetivo da tarefa. Para cada opção, o modelo gera um vídeo previsto e avalia colisões, quedas de objetos e desmoronamentos de cargas, produzindo uma pontuação que permite ao programa de controle escolher uma ação considerada provavelmente bem-sucedida.

Segundo a NTT, os modelos de mundo convencionais não representam explicitamente as grandezas físicas dos objetos, o que pode fazer com que objetos desapareçam ou se deformem de forma implausível nos vídeos gerados e levar a previsões imprecisas de colisões. A dependência desses modelos de grandes conjuntos de dados de treinamento também aumenta a probabilidade de falhas em situações ausentes desses dados.

O adaptador de controle físico da NTT estima, a partir de vídeos, propriedades de cada objeto, como posição, orientação, velocidade e massa; aplica leis físicas para calcular o movimento subsequente; e fornece esses cálculos ao modelo de geração de vídeo. Segundo a NTT, essa representação explícita pode lidar com situações e movimentos ausentes dos dados de treinamento. O modelo também apresenta as grandezas físicas que fundamentam uma previsão, facilitando a compreensão da base do resultado gerado.

Resultados de benchmark e planos de expansão

A NTT também avaliou a precisão da previsão de vídeos futuros no benchmark público OBJ3D, que contém quadros de vídeo de objetos sintéticos colidindo. A NTT informa que seu modelo superou os métodos convencionais na métrica Learned Perceptual Image Patch Similarity (LPIPS), que compara o vídeo previsto com a realidade de referência de uma forma alinhada à percepção humana; valores menores indicam maior semelhança.

Além do manuseio de bagagens e encomendas, a NTT planeja buscar aplicações em logística, armazenagem, manufatura, construção e varejo, e avaliará a possibilidade de trabalhar com provedores de serviços robóticos e empresas de logística e armazenagem. A redução da necessidade de mão de obra e o aumento da produtividade são objetivos dessa expansão, não resultados comprovados pelo teste divulgado.

A tecnologia está programada para ser apresentada no NTT R&D Forum 2026, evento exclusivo para convidados que ocorrerá de 18 a 20 de novembro de 2026 e de 24 a 25 de novembro de 2026. Um seminário em 25 de novembro de 2026 sobre robótica com IA e o modelo de mundo informado pela física terá como palestrantes Isamu Arase, CEO da Mujin Japan, e Jun Shimamura, engenheiro executivo de pesquisa da NTT.

Os resultados anunciados pela NTT abrangem uma tarefa com um robô pequeno e vídeos de colisões entre objetos sintéticos. Os testes planejados com a Mujin verificarão se a melhoria relatada no carregamento de prateleiras se aplica também ao manuseio de bagagens em aeroportos, onde a avaliação prévia à execução precisa lidar com as variações físicas que motivaram o desenvolvimento do modelo.