Pinça manual treina IA de robôs sem robô, testes de laboratório

Um operador segura numa pinça manual, executa uma tarefa, e nenhum braço robótico se mexe na sala. As câmaras registam exatamente aquilo que um robô veria. Esta é a essência do HIL-UMI, um novo método de uma equipa liderada por Hao Dong, da Universidade de Pequim, em colaboração com a fabricante xangainesa de robôs pessoais PrimeBot. O método recolhe os dados de correção usados para melhorar os modelos visão-linguagem-ação, os sistemas de IA que transformam imagens de câmara e instruções em movimentos de robôs, sem que haja um robô na fase de recolha.

Ensinar um modelo desta natureza costuma significar deixar um robô executar e falhar. Na abordagem clássica, o DAgger com validação humana, ou HG-DAgger, um operador observa o robô a executar uma tarefa, assume o controlo quando ele está prestes a falhar e depois repõe a cena. O ciclo é preciso, mas lento: a maior parte do tempo vai para movimentos desajeitados do robô e para reposições manuais, e não para os fotogramas que realmente ensinam alguma coisa ao modelo.

O HIL-UMI mantém o humano no ciclo, mas muda o local onde o ciclo decorre. O operador trabalha com uma pinça manual da Universal Manipulation Interface, enquanto a política atual prevê as ações futuras na mesma transmissão de vídeo, sem controlar nada. Quando uma métrica chamada Energy Score mostra que as ações previstas pela política divergem da trajetória do humano, o sistema pede demonstrações adicionais desse segmento. Um segundo ciclo treina um estimador baseado no progresso, que recompensa as ações que fazem avançar a tarefa e não os movimentos inúteis, e a política é atualizada após cada ronda, pelo que as sessões seguintes assinalam casos mais difíceis em vez de casos fáceis. Em quatro tarefas reais com robôs, dobrar uma toalha, limpar uma mesa, empilhar blocos e carimbar, a equipa reporta uma pontuação média de progresso de 94,8 para o HIL-UMI, contra 58,0 para o ajuste fino supervisionado simples com o mesmo orçamento de fotogramas, com pontuações perfeitas nas duas tarefas de precisão. Na tarefa mais longa, a limpeza de uma mesa, os autores indicam 73,40 milissegundos por fotograma útil contra 412,99 milissegundos para o HG-DAgger, cerca de 5,63 vezes mais eficiência na recolha. São resultados dos próprios autores, e nenhum grupo independente os verificou.

Para quem constrói robôs, a mudança prática está em quem pode recolher dados e onde. Os autores defendem que separar a correção ciente da política da utilização do robô permitiria que mais operadores recolhessem dados de pós-treino em mais locais, sem um parque de robôs instalado no laboratório. Essa promessa só se confirma se os ganhos forem reproduzidos fora da configuração dos autores. O artigo não indica uma data para uma utilização mais ampla e não diz quanto custa a configuração com pinça manual em comparação com uma célula robótica.