A complexidade das tarefas simples é uma das primeiras coisas que se descobre no mundo da robótica.
Coisas que parecem simples para os humanos podem ter infinitas variáveis que tomamos como garantido. Robôs não têm essa luxúria.
É por isso que grande parte da indústria está focada em tarefas repetitivas em ambientes estruturados.
Felizmente, o mundo da aprendizagem robótica viu algumas descobertas revolucionárias nos últimos anos, e a indústria está no caminho para a criação e implantação de sistemas mais adaptáveis.
No ano passado, a equipe de robótica do Google DeepMind apresentou o Robotics Transformer – RT-1 -, que treinou seus sistemas Everyday Robot para realizar tarefas como pegar e colocar e abrir gavetas.
O sistema foi baseado em um banco de dados de 130.000 demonstrações, o que resultou em uma taxa de sucesso de 97% para “mais de 700” tarefas, de acordo com a equipe.
Hoje, o Google DeepMind apresenta o RT-2, que permite que robôs transfiram conceitos aprendidos em conjuntos de dados relativamente pequenos para diferentes cenários.
O sistema demonstra efetivamente a capacidade de determinar coisas como a melhor ferramenta para uma tarefa específica com base em informações contextuais existentes.
A equipe diz que a taxa de eficácia na execução de novas tarefas melhorou de 32% para 62% na transição do RT-1 para o RT-2. O sistema é capaz de interpretar novos comandos e responder a comandos do usuário realizando raciocínio rudimentar, como raciocinar sobre categorias de objetos ou descrições de alto nível.
O RT-2 é capaz de entender o que é lixo e identificá-lo sem treinamento explícito, e até mesmo tem uma ideia de como jogar fora o lixo, mesmo que nunca tenha sido treinado para realizar essa ação.
