A pesquisa apresenta um sistema de IA que capacita bra\u00e7os rob\u00f3ticos macios a aprender um amplo conjunto de movimentos e tarefas uma \u00fanica vez e se adaptar a cen\u00e1rios diferentes em tempo real, sem necessidade de retraining. O estudo desvendou uma via para rob\u00f4s macios operarem com mais autonomia, seguran\u00e7a e versatilidade em aplica\u00e7\u00f5es reais.<\/p>\n
O trabalho \u00e9 liderado pelo grupo interdisciplinar Mens, Manus and Machina (M3S) do MIT, que atua dentro da Singapore-MIT Alliance for Research and Technology (SMART). Participam ainda a National University of Singapore (NUS) e o NTU Singapore, com colabora\u00e7\u00e3o de MIT e NTU.<\/p>\n
O artigo, aberto e publicado em 6 de janeiro na Science Advances, descreve como o sistema aprende com duas redes de sinapses que se ajustam de forma complementar. Uma delas usa sinapses estruturais treinadas offline; a outra, sinapses pl\u00e1sticas, atualizadas online durante a opera\u00e7\u00e3o.<\/p>\n
A solu\u00e7\u00e3o combina duas camadas de aprendizado. As sinapses estruturais definem habilidades b\u00e1sicas, como transi\u00e7\u00f5es suaves entre curvaturas. As sinapses pl\u00e1sticas ajustam o comportamento em tempo real frente a perturba\u00e7\u00f5es. Um mecanismo de estabilidade evita movimentos inst\u00e1veis durante a adapta\u00e7\u00e3o.<\/p>\n
Segundo a pesquisadora Daniela Rus, MIT, o sistema aproxima rob\u00f4s macios de operar com seguran\u00e7a e intelig\u00eancia junto a pessoas, em ambientes cl\u00ednicos, industriais ou dom\u00e9sticos. A equipe descreve o objetivo de ampliar aplica\u00e7\u00f5es com mais confiabilidade.<\/p>\n
Zhiqiang Tang, pesquisador associado e autor, ressalta que o m\u00e9todo \u00e9 um dos primeiros a alcan\u00e7ar integra\u00e7\u00e3o de aprendizado offline, adapta\u00e7\u00e3o imediata e estabilidade, tudo dentro de um \u00fanico framework de controle. Tang atuou na M3S e na NUS durante a pesquisa e hoje est\u00e1 na SEU China.<\/p>\n
O estudo demonstra que o sistema funciona em plataformas distintas de rob\u00f3tica macia. Foram testadas uma bra\u00e7adeira macia acionada por cabo e outra com mem\u00f3ria de forma, obtendo alto desempenho em condi\u00e7\u00f5es adversas.<\/p>\n
Os experimentos apontaram redu\u00e7\u00f5es de 44% a 55% no erro de rastreamento sob perturba\u00e7\u00f5es fortes. A precis\u00e3o de forma superou 92% diante de mudan\u00e7as de carga, correntes de ar e falhas de atuadores. O controle manteve a estabilidade mesmo com at\u00e9 a metade dos atuadores falhando.<\/p>\n
Especialistas destacam que a abordagem pode reduzir tempos de inatividade e custos, permitindo que rob\u00f4s macios atuem com maior autonomia em manufatura, log\u00edstica, inspe\u00e7\u00e3o e rob\u00f3tica m\u00e9dica. Em sa\u00fade, dispositivos assistivos devem adaptar seus movimentos conforme a for\u00e7a ou postura do paciente.<\/p>\n
Os autores pretendem ampliar a tecnologia para sistemas mais r\u00e1pidos e ambientes mais complexos. As aplica\u00e7\u00f5es incluem rob\u00f3tica assistiva, dispositivos m\u00e9dicos, manipuladores industriais e integra\u00e7\u00e3o em sistemas aut\u00f4nomos reais.<\/p>\n
A pesquisa realizada no SMART recebeu suporte da National Research Foundation Singapore, por meio do Campus for Research Excellence and Technological Enterprise.<\/p>\n","protected":false},"excerpt":{"rendered":"