Plano neural para inteligência humana em robôs macios

Pesquisadores desenvolveram um sistema de IA que permite braços robóticos macios aprenderem um conjunto amplo de movimentos uma única vez e se adaptarem a novas situações sem retrabalho.
O sistema usa dois conjuntos de “sinapses” — sinapses estruturais (treinadas offline para movimentos fundamentais) e sinapses plásticas (atualizadas online durante a operação) — com mecanismo de estabilidade para manter o controle.
Testado em dois formatos físicos de braços macios, o sistema mostrou redução de 44% a 55% no erro de rastreamento e mais de 92% de precisão de forma diante de mudanças de carga, turbulências de fluxo de ar e falhas de atuadores.
A pesquisa, publicada em Science Advances em 6 de janeiro, é liderada pela equipe M3S do MIT em parceria com a National University of Singapore e a Nanyang Technological University, com apoio do SMART.
A tecnologia promete tornar robôs macios mais robustos e seguros para aplicações em indústria, medicina e robótica assistiva, reduzindo a necessidade de retrabalho e reprogramação.

Acesso a um sistema de controle de IA permite que braços robóticos macios aprendam uma variedade de movimentos de uma só vez e se adaptem a novas condições sem retrabalho. O avanço, liderado pelo grupo de pesquisa interdisciplinar Mens, Manus and Machina (M3S) no Singapore-MIT Alliance for Research and Technology (SMART), envolve colaboração entre National University of Singapore (NUS), MIT e NTU Singapore. O estudo foi publicado em Science Advances em 6 de janeiro.

O sistema utiliza dois conjuntos complementares de “sinapses” que regulam o movimento. As chamadas sinapses estruturais são treinadas offline para habilidades básicas, como curvar ou estender o braço macio, formando uma base estável. As sinapses plásticas online ajustam o comportamento durante a operação, respondendo a situações em tempo real. Um mecanismo de estabilidade mantém a suavidade do movimento durante a adaptação.

Para demonstrar robustez, o método foi testado em dois modelos físicos: um braço macio movido por cabos e outro acionado por liga de memória de forma. Resultados mostraram redução de 44–55% no erro de acompanhamento sob grandes perturbações, mais de 92% de precisão de forma diante de mudanças de carga ou falhas de atuadores, e desempenho estável mesmo com metade dos atuadores falhando.

Potenciais aplicações e impactos

Pesquisadores indicam que a inovação amplia o leque de aplicações em robótica assistiva, reabilitação, dispositivos vestíveis e robôs médicos, reduzindo a necessidade de retrabalho e interrupções. O controle generalista permite que plataformas de braço macio executem tarefas variadas dentro de uma única estrutura, com adaptabilidade a ambientes reais.

A equipe de MIT, NUS e NTU planeja ampliar o uso da tecnologia para sistemas com maior velocidade e ambientes mais complexos, visando integração em robótica industrial, dispositivos médicos e sistemas autônomos. O estudo recebeu apoio da National Research Foundation (NRF) de Singapura, por meio do Campus for Research Excellence and Technological Enterprise (CREATE).