Ensino de Robôs a se Movimentar. Agora Estamos Ensino-os a Viver

A robótica moderna alcançou um ponto em que o movimento não é mais o principal desafio – as máquinas já podem navegar, agarrar e operar no espaço com precisão impressionante. No entanto, permitir que elas realmente “vivam” e funcionem no mundo real ainda é um problema sem solução.

Nesse processo, o papel fundamental é desempenhado pelo que poderia ser chamado de “medula espinhal”: o sistema responsável por reações básicas, comportamento e interação com o ambiente.

Quando você olha para a evolução dos robôs através dessa lente, torna-se claro que essa sequência de estágios – onde o sistema aprende algo novo a cada etapa, desde o movimento simples até ações complexas e cientes do contexto – se assemelha muito ao desenvolvimento humano.

E é exatamente dentro dessa evolução – de “hardware” vazio para comportamento significativo – que a principal mudança na inteligência artificial física está acontecendo hoje. Interessante aprender mais profundamente.

A fundação da robótica: um estágio raramente discutido

O que é um robô em termos práticos? É um dispositivo físico inicialmente criado como uma plataforma universal. Em essência, é um “branco” que deve ser adaptado a tarefas específicas, treinado para operar em um ambiente determinado e ensinado a realizar as ações necessárias.

Se movemos além dos cenários do dia a dia e consideramos aplicações mais realistas de curto prazo, torna-se claro que a adoção total de robôs ocorrerá principalmente em ambientes industriais e potencialmente perigosos. Isso, por sua vez, implica requisitos significativamente mais altos para seu comportamento, robustez e qualidade de treinamento.

O processo começa com o passo mais básico – construir o dispositivo em si. Um robô é montado a partir de vários componentes, incluindo atuadores, motores, sensores, câmeras, LiDARs. Pode ser humanoid, sobre rodas, bípede ou quadrúpede – o fator de forma é secundário. O que importa é que, nessa etapa, terminamos com um dispositivo funcional, mas ainda “vazio”.

A próxima etapa é instalar um modelo base que sirva como fundamento para seu comportamento. Em um sentido amplo, o “modelo” é a camada de controle funcional completa. É responsável por capacidades básicas: manter o equilíbrio, ficar em pé e se mover, navegar de um ponto A a um ponto B, evitar obstáculos, não danificar o ambiente e interagir com segurança com humanos.

Aqui é onde o aprendizado por reforço entra em jogo. Nesses sistemas, bilhões de simulações são executados. Muitas vezes vemos vídeos de robôs “aprendendo” em ambientes complexos: a maioria deles cai, perde o equilíbrio ou falha em completar a tarefa. Mas aqueles que conseguem ficar de pé e continuar se movendo são os que progredem.

Essa é a essência do aprendizado por reforço: selecionar comportamento bem-sucedido. Os algoritmos daqueles que “sobrevivem” se tornam a base para as próximas iterações. Como resultado, após um enorme número de execuções, surge um modelo que pode lidar com confiança os obstáculos. Esse algoritmo é então transferido para o dispositivo físico.

É uma etapa fundamentada, mas criticamente importante – muitas vezes envolvendo pouca ou nenhuma visão computacional, que não é necessária nesse ponto. O que estamos lidando aqui é física e mecânica fundamentais que devem ser incorporadas ao sistema desde o início.

Como os robôs começam a “sentir” o mundo

Então, já temos o “hardware” – um robô com um modelo base instalado: ele pode ficar em pé, andar e manter o equilíbrio. Mas será que isso é suficiente para tarefas do mundo real, por exemplo, em ambientes industriais? Claramente não.

A próxima etapa começa aqui. Integraremos sensores e treinaremos o modelo para agir com base na entrada sensorial. Um novo nível de habilidades básicas emerge – já muito mais complexo do que o simples movimento.

Uma analogia com o desenvolvimento humano é útil aqui. Na primeira etapa, trouxemos o sistema para aproximadamente o nível de uma criança de um ano: ela pode ficar em pé, dar seus primeiros passos e manter o equilíbrio sem cair. A próxima etapa é mais em linha com o nível de uma criança de oito anos.

Nessa idade, uma criança usa ativamente seus “sensores”: ela pode perceber risco e avaliar as consequências de suas ações. Ela entende que não deve tocar algo quente ou colocar algo muito frio na boca. Ela pode subir em uma mesa, andar de bicicleta e interagir com objetos. Ela é capaz de agarrar, carregar e manipular itens e realizar ações básicas de autocuidado.

Chamamos essa etapa de pré-treinamento. E nesse ponto, as simulações sozinhas não são mais suficientes.

Sim, alguns cenários ainda podem ser modelados com eficácia: como pegar um copo, ou substituir uma bateria, por exemplo, removendo um componente, colocando-o em carga, pegando outro e instalando-o novamente.

Mas, no geral, o equilíbrio muda: cerca de 80% do treinamento ainda pode acontecer em simulação, enquanto cerca de 20% dos dados devem vir do mundo real. E é aqui que começamos a discutir dados egocêntricos.

Dados egocêntricos como fundamento da compreensão ambiental

Hoje, dados egocêntricos estão sendo coletados em uma escala massiva em todo o mundo – porque, sem eles, é impossível mudar da mecânica básica para uma interação significativa com o mundo real. Um colega de trabalho meu, que dirige uma rede de oficinas de reparo de carros, tem funcionários usando câmeras montadas na cabeça para gravar todo o processo de reparo do carro. Um proprietário de prédio em Nova York implementou uma abordagem semelhante: os funcionários de limpeza usam câmeras montadas na testa que capturam como eles aspiram espaços e mantêm áreas sanitárias.

Ao longo do tempo, essas gravações se tornam um produto independente – elas são embaladas e vendidas. Seu valor-chave reside em sua adequação para a etapa de pré-treinamento, ajudando a construir uma compreensão fundamental dos ambientes e sequências de ações.

Por exemplo, um serviço como esse existia em Keymakr, onde a equipe criou independentemente coleções inteiras de dados egocêntricos, desde cenários simples, como lavar louça, até mais complexos.

Por que isso é tão importante? Porque esses dados fornecem algo que a simulação pura não pode – a diversidade de ambientes do mundo real. Escritórios, oficinas de reparo de carros, canteiros de obras, restaurantes e hotéis – cada um deles adiciona seu próprio contexto, cenários e nuances. Juntos, eles formam um conjunto de dados que permite que um sistema não apenas “veja”, mas comece a entender gradualmente a dinâmica do mundo real.

Nessa etapa, o objetivo não é mais ensinar um robô a executar perfeitamente uma ação específica. O que importa mais é permitir que ele se oriente dentro de seu entorno, em primeiro lugar.

Hoje, quase todas as empresas que trabalham com robótica – desde a Tesla até a Unitree Robotics e a Figure AI – estão focadas nessa etapa exata. Seu objetivo é construir um modelo base cujas capacidades primeiro se assemelham às de uma “criança de oito anos”, e então progridam em direção a uma “criança de doze anos”. Isso também é o que nos concentramos em Introspector – preparar os dados necessários para o pré-treinamento, a fase mais crítica no “amadurecimento” da robótica moderna.

A última milha do treinamento: onde a universalidade termina e a especialização começa

Vamos imaginar que um robô já completou o pré-treinamento e é fabricado desde o início com uma compreensão básica do mundo e um conjunto de habilidades comparável ao de um adolescente. Mas mesmo isso não é suficiente para casos de uso de negócios reais. As empresas não precisam apenas de um robô “de propósito geral” – elas precisam de um especialista.

Tomemos a fabricação automotiva como exemplo. Algumas tarefas ainda são realizadas por humanos porque exigem sensibilidade, precisão e controle visual contínuo. A automação tradicional luta aqui. Manipuladores industriais são excelentes em tarefas repetitivas e rígidas – “pegar, mover, colocar”. Mas tarefas que exigem adaptabilidade, sensação de pressão e ajustes em tempo real permanecem no domínio humano.