Cientistas desenvolveram o MELA, um algoritmo de Deep Learning que ajuda um robô a fazer além do que foi programado.
Um robô pode trazer eficiência operacional e redução de custos para as empresas. No entanto, não é novidade que esta tecnologia é programada para fazer somente uma determinada ação, sem a capacidade de se adaptar caso uma situação diferente aconteça.
Por exemplo, em um ambiente rigidamente controlado, um robô pode jogar muito bem tênis de mesa. Porém, se ele recebe uma jogada curva, o algoritmo não conseguirá rebater a bola se foi programado para revidar apenas golpes simples.
Isso acontece, porque os algoritmos que controlam essas máquinas são projetados de maneira manual. Ou seja, se um robô encontra uma situação na qual o desenvolvedor não pensou, com certeza as chances de ele errar serão maiores.
Apesar desses obstáculos, diversas comunidades acadêmicas já iniciaram pesquisas para criar algoritmos de Deep Learning, Machine Learning ou Inteligência Artificial que consigam se adaptar a qualquer cenário.
É o caso de uma equipe de cientistas que criou um novo tipo de algoritmo de Deep Learning para robôs: o Multi-expert Learning Architecture (MELA, ou arquitetura de aprendizagem multiespecialista, em tradução livre).
O estudo, publicado na revista Science Robotics, explica como um robô quadrúpede consegue improvisar novas habilidades e se adaptar aos desafios desconhecidos de um ambiente em tempo real.
Entendendo o algoritmo MELA
O desenvolvimento do MELA é uma parceria entre cientistas da Escola de Informática da Universidade de Edimburgo (Reino Unido) e do Instituto de Sistemas Cibernéticos e Controle da Universidade de Zhejiang (China).
A técnica envolve uma abordagem de treinamento dividida em duas fases. Na primeira, uma simulação de computador é usada para treinar duas redes neurais, que vão realizar duas tarefas distintas: trotar e se recuperar de uma queda.
Então, os modelos destas duas redes neurais são usados como nós para outras oito redes neurais, configuradas para realizarem habilidades motoras mais específicas, como rolar ou girar para a esquerda ou para a direita.
Com isso, essas oito redes neurais mais específicas são treinadas simultaneamente com os modelos das duas redes iniciais. Isso vai permitir que todas elas consigam combinar “ações” para resolver diversos desafios.
Seria como treinar pessoas para elas jogarem futebol. Inicialmente, elas irão aprender habilidades individuais: driblar, passar a bola, chutar etc. Depois que elas dominam essas habilidades, é quando aprendem a combinar formas inteligentes de lidar com situações de uma partida real.
O resultado da pesquisa
Todo o treino do algoritmo em simulação foi carregado para o robô quadrúpede. A máquina, então, foi submetida a uma bateria de testes – tanto em um ambiente controlado quanto em situações adversas.
O estudo mostrou que o robô foi capaz de se adaptar rapidamente a superfícies complicadas, como cascalho ou seixos. Além disso, ele se recuperou rapidamente ao ser empurrado repetidamente antes de continuar o trajeto programado.
Com isso, os pesquisadores agora buscam adaptar a abordagem para robôs de uso comercial em diversos segmentos e setores. Até lá, o desafio do time é conseguir integrar o algoritmo à percepção visual ou a percepção tátil do robô.
Nesse primeiro momento da pesquisa, o MELA depende do feedback das juntas do robô para saber o que está acontecendo ao seu redor. Sem contar que o treinamento fica mais complexo e demorado caso muitas tarefas sejam demandadas a ele.
Porém, com a publicação do estudo, essa nova abordagem destaca uma maneira promissora de fazer as máquinas se tornarem mais produtivas além do que elas são programadas. Ou seja, vídeos de robôs desajeitados possivelmente estão com data para acabar.
Principais destaques desta matéria
- Robôs são programados para realizarem apenas uma coisa.
- Gerando erros quando uma situação adversa acontece.
- Porém, time de cientistas desenvolveu algoritmo de Deep Learning capaz de fazer um robô se adaptar a qualquer cenário.
