Um robô agora pode preparar seu próximo movimento representando o que poderia acontecer, sem gerar um vídeo completo da cena futura.
Para agir corretamente, um robô muitas vezes precisa prever as consequências de seus movimentos. Mover uma xícara, segurar um objeto ou abrir uma gaveta modifica seu ambiente. Algumas inteligências artificiais produzem, portanto, várias imagens do futuro presumido antes de escolher uma ação. Esse método fornece informações úteis, mas exige muitos cálculos a cada decisão.
Algumas tarefas da vida exigem grande destreza e antecipação dos movimentos.
Imagem gerada por IA
Uma equipe ligada, entre outras instituições, à Universidade Jiao Tong de Xangai e à ACE Robotics propõe outra abordagem, batizada de ForeWAM. Em vez de construir imagens futuras visíveis, o sistema mantém uma representação interna de possíveis mudanças. Ela contém indícios sobre o deslocamento dos objetos, os contatos com o robô e o progresso de uma tarefa.
Em outras palavras, a IA não precisa «ver» um vídeo que ela mesma acabou de fabricar. Ela prepara estados internos correspondentes a futuros possíveis e depois reutiliza essas informações ao calcular o movimento seguinte. Isso evita várias etapas sucessivas de geração de imagens.
O aprendizado ainda exige observações reais antes e depois de uma ação. Um modelo usado apenas durante essa fase ajuda o ForeWAM a reconhecer as mudanças relevantes. Depois de treinado, o sistema funciona sem essas observações futuras e sem esse modelo adicional. O robô recebe então a imagem atual e uma instrução e calcula diretamente sua ação.
Os pesquisadores avaliaram seu método no LIBERO, um conjunto de tarefas simuladas de manipulação robótica. O ForeWAM tem uma taxa média de sucesso de 96,7% dos testes. Outra versão chega a 96,9%. Cada tarefa do teste padrão foi repetida 50 vezes, o que permite medir a frequência real dos sucessos nesse ambiente digital.
Um segundo teste, o LIBERO-Plus, modifica a câmera, a iluminação, a posição do robô, as instruções ou ainda a disposição dos objetos. O ForeWAM alcança nele uma taxa de sucesso de 61,6% na amostra avaliada. Esse resultado mede, portanto, sua resistência a situações diferentes daquelas encontradas durante o aprendizado.
Ainda é preciso verificar se esse método mantém suas vantagens fora da simulação. Os autores esclarecem que seus testes abrangem apenas o LIBERO e o LIBERO-Plus. Outras formas de robôs, tarefas mais longas e ambientes físicos reais poderiam produzir resultados diferentes. O trabalho é atualmente divulgado como uma pré-publicação no arXiv.