Cientistas desenvolvem robô que aprende por tentativa e erro, como nós

2 min de leitura
Imagem de: Cientistas desenvolvem robô que aprende por tentativa e erro, como nós

A gente sempre aprendeu que os robôs são excelentes para cumprir ordens pré-programadas, mas péssimos para se adaptarem a novos ambientes e tarefas para as quais não foram ensinados. Fazer essas máquinas aprenderem é um dos campos da inteligência artificial, e um estudo da Universidade da Califórnia em Berkeley está dando um novo passo na área.

"A maioria das aplicações robóticas estão em ambientes controlados onde os objetos se localizam em posições previsíveis", diz Trevor Darrell, diretor do Centro de Visão e Aprendizado da Berkeley. "O desafio de colocar robôs em ambientes da vida real, como casas e escritórios, é que esses locais estão constantemente mudando. Ele precisa ser capaz de perceber e se adaptar àquilo que o cerca".

Como não é prático programar todas as situações possíveis, a Universidade da Califórnia usou um ramo da inteligência artificial chamado "deep learning" (aprendizado profundo), que é vagamente inspirado no circuito neural humano quando este interage com o mundo.

Essa estratégia ajuda o robô a reconhecer padrões e categorizar os dados que recebe. O deep learning já é usado pela Siri e pelo Google Street View, mas fazer um computador aprender habilidades motoras é muito mais complicado que reconhecer comandos de voz ou imagens.

Rede neural

Para o experimento, os pesquisadores usaram o Willow Garage Personal Robot (PR2), o qual apelidaram de BRETT (da sigla em inglês "Robô de Berkeley para a Eliminação de Tarefas Tediosas"). A ele, foi apresentada uma série de habilidades manuais, como montar um brinquedo de avião ou empilhar blocos de LEGO.

O algoritmo funciona com um sistema de pontuação em que valores maiores são dados conforme a tentativa se assemelha ao exemplo dado. A cada manipulação, são calculados valores para cerca de 92 mil parâmetros da rede neural do robô.

Com esse método, BRETT foi capaz de aprender as tarefas em dez minutos em média, desde que lhe fossem apresentadas coordenadas relevantes para o início e o final do afazer. Sem esses dados, o processo levou cerca de três horas.

"Com mais dados, você pode começar a aprender coisas mais complexas", disse Pieter Abbeel, do Departamento de Engenharia Elétrica e Ciências da Computação. "Ainda temos um longo caminho para percorrer antes que nossos robôs possam aprender a limpar uma casa ou separar roupas para lavar, mas nossos resultados iniciais indicam que esses tipos de técnicas de deep learning podem ter um efeito transformador em termos de permitir que as máquinas aprendam tarefas complexas sem informação prévia", disse ele.

Abbeel ainda acrescentou que, nos próximos cinco ou dez anos, poderemos ver avanços significativos nas capacidades de aprendizado dos robôs através dessa linha de trabalho.

Você sabia que o TecMundo está no Facebook, Instagram, Telegram, TikTok, Twitter e no Whatsapp? Siga-nos por lá.