- Um sistema de IA permite que braços robóticos macios aprendam um conjunto amplo de movimentos e se adaptem a novas situações na hora, sem retrainamento.
- O estudo, publicado em Science Advances, é liderado pelo grupo M3S com colaboração de NUS, MIT e NTU Singapore, e é inspirado no aprendizado do cérebro humano.
- O sistema usa duas redes de sinapses: sinapses estruturais treinadas offline para habilidades básicas e sinapses plásticas que atualizam online, com uma medida de estabilidade que mantém a suavidade das reações.
- Em duas plataformas reais — braço macio acionado por cabo e braço macio com memória de forma — houve redução de 44–55 percent no erro de rastreamento sob distúrbios, acima de 92 percent de precisão de forma diante de mudanças de carga, correntes de ar e falhas de atuadores, mantendo funcionamento estável mesmo com metade dos atuadores falhando.
- A pesquisa aponta aplicações em robótica assistiva, reabilitação, dispositivos médicos e robôs industriais macios, com planos de ampliar velocidade e ambientes mais complexos.
A pesquisa apresenta um sistema de IA que capacita braços robóticos macios a aprender um amplo conjunto de movimentos e tarefas uma única vez e se adaptar a cenários diferentes em tempo real, sem necessidade de retraining. O estudo desvendou uma via para robôs macios operarem com mais autonomia, segurança e versatilidade em aplicações reais.
O trabalho é 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 colaboração de MIT e NTU.
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 plásticas, atualizadas online durante a operação.
Estrutura de controle e funcionamento
A solução combina duas camadas de aprendizado. As sinapses estruturais definem habilidades básicas, como transições suaves entre curvaturas. As sinapses plásticas ajustam o comportamento em tempo real frente a perturbações. Um mecanismo de estabilidade evita movimentos instáveis durante a adaptação.
Segundo a pesquisadora Daniela Rus, MIT, o sistema aproxima robôs macios de operar com segurança e inteligência junto a pessoas, em ambientes clínicos, industriais ou domésticos. A equipe descreve o objetivo de ampliar aplicações com mais confiabilidade.
Zhiqiang Tang, pesquisador associado e autor, ressalta que o método é um dos primeiros a alcançar integração de aprendizado offline, adaptação imediata e estabilidade, tudo dentro de um único framework de controle. Tang atuou na M3S e na NUS durante a pesquisa e hoje está na SEU China.
O estudo demonstra que o sistema funciona em plataformas distintas de robótica macia. Foram testadas uma braçadeira macia acionada por cabo e outra com memória de forma, obtendo alto desempenho em condições adversas.
Desempenho e impactos
Os experimentos apontaram reduções de 44% a 55% no erro de rastreamento sob perturbações fortes. A precisão de forma superou 92% diante de mudanças de carga, correntes de ar e falhas de atuadores. O controle manteve a estabilidade mesmo com até a metade dos atuadores falhando.
Especialistas destacam que a abordagem pode reduzir tempos de inatividade e custos, permitindo que robôs macios atuem com maior autonomia em manufatura, logística, inspeção e robótica médica. Em saúde, dispositivos assistivos devem adaptar seus movimentos conforme a força ou postura do paciente.
Os autores pretendem ampliar a tecnologia para sistemas mais rápidos e ambientes mais complexos. As aplicações incluem robótica assistiva, dispositivos médicos, manipuladores industriais e integração em sistemas autônomos reais.
A pesquisa realizada no SMART recebeu suporte da National Research Foundation Singapore, por meio do Campus for Research Excellence and Technological Enterprise.
Entre na conversa da comunidade