Os robôs há muito lutam para se mover com a fluidez natural das criaturas vivas. Embora os engenheiros possam programar máquinas para caminhar em linha reta ou subir escadas, ensinar-lhes a imitar os gestos complexos e expressivos de um humano ou o andar único de um animal tem sido um desafio persistente. A dificuldade central reside na tradução: um corpo humano e um corpo robótico são construídos de forma diferente, com diferentes números de articulações e diferentes limites físicos. Tradicionalmente, para fazer um robô copiar um humano, os pesquisadores tinham que reescrever manualmente os movimentos humanos em um código que o robô pudesse entender, um processo semelhante a traduzir um poema palavra por palavra para uma língua com uma gramática completamente diferente. Esta tradução manual é lenta, muitas vezes quebra o fluxo do movimento e falha quando o robô encontra um novo tipo de movimento que não viu antes.

Uma equipe de pesquisadores da ETH Zurich desenvolveu uma nova abordagem que ignora essa tradução manual inteiramente. Eles criaram um sistema que permite aos robôs de pernas observarem um humano ou um animal se mover e imediatamente entender como replicar esse movimento em seus próprios corpos, sem a necessidade de um roteiro pré-escrito. Ao ensinar o robô a reconhecer o ritmo e a estrutura subjacentes do movimento, em vez de apenas copiar ângulos de articulação específicos, os pesquisadores permitiram que as máquinas aprendessem de vídeos e dados de movimento brutos em tempo real. Este trabalho sugere um futuro onde os robôs podem aprender novas habilidades simplesmente observando-as, adaptando-se instantaneamente às suas próprias formas físicas únicas.

Os pesquisadores, liderados por Matthias Heyrman e colegas, focaram em um problema que intrigou o campo por anos: como representar o movimento de uma forma que capture tanto os padrões constantes e repetitivos do caminhar quanto as mudanças súbitas e imprevisíveis de um gesto. Métodos anteriores frequentemente tratavam esses dois aspectos separadamente ou tentavam forçar todo o movimento em um único molde matemático rígido. A equipe percebeu que o movimento natural é uma mistura de duas coisas: padrões estruturados e periódicos, como o balanço rítmico das pernas durante uma caminhada, e variações aperiódicas e não estruturadas, como uma curva súbita ou um aceno de braço. Para resolver isso, eles construíram um sistema chamado Multi-Domain Motion Embedding (Incorporação de Movimento de Domínio Múltiplo), que atua como uma câmera de lente dupla para o movimento. Uma lente foca nos padrões repetitivos e ondulatórios do movimento, enquanto a outra captura os detalhes caóticos e únicos que tornam cada movimento distinto.

Em vez de traduzir manualmente a pose de um humano em comandos para o robô, os pesquisadores alimentaram o sistema diretamente com dados de movimento brutos. Esses dados vieram de duas fontes: gravações de atores humanos movendo-se de diversas formas e vídeos de cães correndo e caminhando. O sistema processa essa informação através de dois caminhos paralelos. O primeiro caminho utiliza uma ferramenta matemática conhecida como transformada wavelet para decompor o movimento em seus componentes de frequência. Isso permite que o robô veja a "batida" do movimento, identificando os ciclos constantes de uma marcha ou o ritmo de uma dança. O segundo caminho utiliza um codificador probabilístico para capturar os detalhes desordenados e não repetitivos, como a maneira específica como uma pessoa se inclina em uma curva ou como um cão ajusta seu equilíbrio em um terreno irregular. Esses dois fluxos de informação são combinados em uma descrição única e rica do movimento que o robô pode entender.

O verdadeiro teste para este sistema foi se ele poderia funcionar no mundo real sem intervenção humana. Os pesquisadores treinaram seus robôs em um ambiente simulado usando aprendizagem por reforço, um método onde o robô aprende por tentativa e erro para maximizar uma recompensa. Eles ensinaram um robô humanoide, o Fourier N1, a imitar movimentos humanos e um robô quadrúpede, o ANYmal D, a imitar movimentos de cães. Crucialmente, eles não forneceram aos robôs quaisquer instruções pré-processadas ou traduzidas. Os robôs tiveram que descobrir como mapear o movimento humano ou animal bruto em seus próprios corpos inteiramente por conta própria. Os resultados foram impressionantes. Em simulações, os robôs rastrearam com sucesso uma ampla variedade de movimentos, desde caminhadas simples até gestos complexos e expressivos, com um nível de precisão que superou métodos anteriores.

Para provar que o sistema funcionava fora do computador, a equipe implantou as políticas treinadas no hardware real. O robô humanoide assistiu a um vídeo de um ator humano e imediatamente começou a imitar os movimentos, incluindo caminhar, virar e gesticular, sem qualquer ajuste manual ao código. Da mesma forma, o robô quadrúpede assistiu a imagens de um cão e reproduziu com sucesso a marcha do animal. Ainda mais impressionante, o sistema demonstrou uma forma de aprendizado zero-shot (zero-shot learning), o que significa que ele pôde lidar com movimentos que nunca tinha visto antes. Quando apresentado a um novo tipo de marcha de cão que não estava em seus dados de treinamento, o robbô não falhou; em vez disso, ele adaptou o movimento para uma versão estável e viável que funcionasse para seu próprio corpo. Essa capacidade de generalização sugere que o sistema aprendeu os princípios fundamentais do movimento, em vez de apenas memorizar uma lista de poses específicas.

Os pesquisadores também compararam seu novo método com técnicas mais antigas que dependiam de retargeting manual. Eles descobriram que, embora os métodos antigos pudessem ser ligeiramente mais precisos ao copiar um movimento que era exatamente o que foram treinados para fazer, eles falhavam miseravelmente quando confrontados com movimentos novos ou inesperados. O novo sistema, por outro lado, manteve seu desempenho através de uma ampla gama de movimentos não vistos. O estudo sugere que, ao deixar o robô aprender a estrutura do movimento diretamente dos dados brutos, em vez de forçá-lo através de um filtro de tradução rígido, a máquina ganha uma compreensão muito mais profunda de como se mover. Essa abordagem remove a necessidade de engenheiros criarem manualmente as regras para cada novo movimento, abrindo as portas para que os robôs aprendam com a vasta diversidade de movimentos encontrados no mundo natural.

Uma das descobertas mais significativas foi como o sistema lidou com as diferenças entre o robô e o ator. Os pesquisadores descobriram que o robô não tentou forçar seu corpo a uma forma impossível para corresponder exatamente ao humano. Em vez disso, ele interpretou o movimento de uma forma que fosse fisicamente possível para sua própria estrutura. Por exemplo, quando um ator humano realizou um movimento que seria instável para um robô, o sistema ajustou o movimento para manter o equilíbrio do robô, efetivamente "reinterpretando" a intenção do movimento, em vez de copiar a geometria exata. Essa flexibilidade permitiu que os robôs permanecessem estáveis e funcionais mesmo ao imitar atores de diferentes tamanhos ou realizar ações dinâmicas complexas.

O estudo também destacou a importância da arquitetura de codificação dupla. Quando os pesquisadores testaram o sistema removendo uma das duas lentes, o desempenho caiu significamente. O robô teve dificuldades para capturar a gama completa de movimento, ou perdendo a estabilidade rítmica da marcha, ou falhando em adaptar as nuances únicas do gesto. Isso confirmou que tanto os padrões estruturados e ondulatórios quanto os detalhes desordenados e caóticos são essenciais para uma compreensão completa do movimento. O sistema funciona porque trata esses dois aspectos como complementares, usando um para fornecer a base e o outro para adicionar o detalhe necessário.

No fim, este trabalho representa uma mudança na forma como os robôs aprendem a se mover. Em vez de depender de engenheiros para traduzir o movimento humano em código de robô, os pesquisadores mostraram que os robôs podem aprender a entender o movimento diretamente. Ao combinar um método para capturar padrões rítmicos com um método para capturar variações únicas, eles criaram um sistema que é ao mesmo tempo robusto e flexível. Os robôs demonstrados no estudo não apenas seguiram um roteiro; eles aprenderam a interpretar a linguagem do movimento e a falar com sua própria voz. Essa capacidade sugere um futuro onde os robôs podem aprender novas habilidades sobre a marcha, adaptando-se a novos ambientes e tarefas com um nível de naturalidade que antes era inalcançável. Os pesquisadores concluem que esta abordagem fornece uma base sólida para a próxima geração de controle robótico, onde a capacidade de aprender através da observação se torna uma característica padrão, em vez de uma exceção rara.