Inteligência artificial generativa diversifica ambientes virtuais de treino para robôs

Pesquisadores do MIT CSAIL e do Toyota Research Institute desenvolveram um novo método chamado “steerable scene generation”, que utiliza a busca em árvore de Monte Carlo para criar ambientes virtuais realistas. Essa técnica visa treinar robôs em cenários variados, como cozinhas e salas de estar, permitindo que os robôs interajam com objetos de forma mais fiel à realidade.

O novo sistema é capaz de gerar cenas físicas e complexas, coletando dados úteis para o treinamento de robôs. O método é treinado com mais de 44 milhões de ambientes 3D e permite a criação de interações que imitam o cotidiano. Ele evita erros comuns em gráficos 3D, como a sobreposição de objetos, garantindo que, por exemplo, um garfo não atravesse uma tigela.

Inovação e Aplicações

A abordagem de steerable scene generation não apenas cria ambientes, mas também permite a personalização através de comandos diretos, como solicitar uma cozinha com itens específicos. Os pesquisadores afirmam que o sistema teve uma taxa de precisão de 98% ao gerar prateleiras de despensa e 86% em mesas de café da manhã, superando métodos anteriores.

Além disso, a técnica incorpora aprendizado por reforço, permitindo que o modelo aprenda a criar cenários mais variados através de tentativa e erro. Isso possibilita a geração de cenas nunca vistas antes, aumentando a diversidade dos dados de treinamento para robôs, que precisam de ambientes ricos e realistas para aprimorar suas habilidades.

Futuro do Treinamento de Robôs

Os autores do estudo, incluindo o doutorando Nicholas Pfaff, destacam que este trabalho é apenas um prova de conceito. O próximo passo envolve a criação de objetos e cenas totalmente novos, além de incorporar objetos articulados que os robôs possam manipular. A intenção é construir uma comunidade de usuários que contribuirá para um vasto conjunto de dados, essencial para o aprendizado de robôs em cenários do mundo real.

Com essa inovação, a expectativa é que o treinamento de robôs se torne mais eficiente e alinhado com as exigências práticas do dia a dia, facilitando sua implementação em ambientes domésticos e industriais.