Resumo Técnico: SR-Platform

Declaração do Problema

A escalabilidade da aprendizagem robótica exige grandes coleções de ambientes de simulação diversos e fisicamente plausíveis. No entanto, a construção desses ambientes permanece um gargalo significativo. Criar uma cena MuJoCo pronta para treinamento tipicamente demanda expertise em modelagem de ativos 3D, especificação MJCF, layout espacial, evasão de colisões e integração de modelos robóticos. Embora os Modelos de Linguagem de Grande Escala (LLMs) tenham demonstrado promessa no raciocínio semântico e na síntese de código, abordagens anteriores frequentemente dependem de bibliotecas de objetos fixas, limitam-se a descrições simbólicas ou exigem intervenção manual antes da execução. Consequentemente, o problema de ponta a ponta de converter um prompt de linguagem natural sem restrições em uma cena robótica fisicamente válida e pronta para simulador permanece insuficientemente abordado.

Metodologia: SR-Platform

O SR-Platform é um sistema agencial implantado em produção, projetado para sintetizar ambientes MuJoCo executáveis a partir de descrições de linguagem natural de forma livre. Em vez de depender de um LLM monolítico, o sistema emprega um pipeline de quatro camadas, tipado e auditável, coordenado por um PipelineCoordinator. A arquitetura é implantada como uma pilha Docker de nove serviços, utilizando streaming WebSocket, MinIO para armazenamento de malhas, Qdrant para recuperação semântica, Redis para gerenciamento de estado e InfluxDB para telemetria.

O pipeline consiste em quatro estágios distintos:

1. L1: Orquestrador
   Este estágio converte um prompt de linguagem natural do usuário (por exemplo, "uma linha de montagem com uma esteira e um braço robótico") em um plano de cena estruturado JSON. Ele define dimensões da sala, listas de objetos, rótulos semânticos, a identidade do robô selecionada e parâmetros de anomalia. Implementado como um fluxo de trabalho LangGraph, ele separa o planejamento semântico da geração de geometria para reduzir a complexidade do LLM e localizar falhas.

2. L2: Forja de Ativos
   A forja de ativos resolve rótulos de objetos em malhas 3D compatíveis com o simulador (STL). Ela emprega uma estratégia baseada em cache:

   • Recuperação Semântica: Os rótulos de objetos são incorporados e consultados contra um banco de dados vetorial Qdrant. Se um ativo em cache de alta similaridade existir, o STL é carregado do MinIO.
   • Síntese LLM-to-CadQuery: Se não houver acerto no cache, um LLM gera código CadQuery para sintetizar nova geometria. Este código é executado para produzir uma malha STL, que é então armazenada e indexada para reutilização futura.
   • Robustez: O sistema inclui validação e mecanismos automáticos de repetição. Se o código gerado estiver malformado ou a geometria inválida, o sistema tenta regenerar ou recua para geometria simplificada para evitar falhas no trabalho.

3. L3: Arquiteto de Layout
   Este estágio atribui poses espaciais (posição e rotação) a todos os objetos resolvidos. Ele usa um modelo de layout baseado em LLM para propor posicionamentos que sejam semanticamente plausíveis (por exemplo, mesas no chão) e fisicamente consistentes (sem sobreposições). Crucialmente, ele integra um IndustryRulesChecker para verificar restrições como folga elétrica, saída de segurança contra incêndio, distâncias de segurança de máquinas e folga de ventilação. Violações são retornadas como entradas estruturadas para permitir reamostragem ou rotulagem de anomalias.

4. L4: Ponte e Montagem MJCF
   O estágio final converte o plano de cena disposto em um arquivo XML MuJoCo executável (MJCF). Ele constrói o chão, paredes e corpos de objetos, inserindo as malhas STL recuperadas ou geradas com suas poses computadas. Um RobotMerger integra o modelo de robô selecionado (de um catálogo que inclui UR5, Franka Panda, etc.) na cena, garantindo consistência do quadro de coordenadas. Este estágio é determinístico e não invoca LLMs.

Contribuições Principais

O artigo delineia quatro contribuições primárias:

1. Pipeline Agencial de Ponta a Ponta: Um sistema que converte descrições de espaço de trabalho em linguagem natural em cenas MuJoCo executáveis contendo modelos robóticos, ativos de malha, poses de objetos e coordenadas de spawn.
2. Forja de Ativos Consciente de Cache: Um mecanismo que combina recuperação semântica com geração LLM-to-CadQuery, reduzindo chamadas redundantes de LLM para tipos de objetos previamente gerados.
3. Verificação de Layout Industrial: A integração de verificação de restrições (folga, segurança, saída) no processo de síntese de cena antes da montagem MJCF.
4. Telemetria de Produção: Relatórios sobre 30 dias de dados de produção cobrindo 611 chamadas de LLM bem-sucedidas, detalhando latência por estágio, comportamento de repetição e limites de vazão.

Resultados Experimentais

O sistema foi avaliado usando telemetria de produção de uma janela de implantação de 30 dias.

• Latência: Para uma cena de cinco objetos onde todos os objetos não encontram o cache, a latência mediana de ponta a ponta é de aproximadamente 50 segundos. Quando os objetos são recuperados do cache, a latência cai para 30–40 segundos.
• Desempenho do Estágio: A Forja de Ativos L2 é o contribuinte dominante de latência. A latência mediana para uma geração de CadQuery na primeira tentativa (skill_generator) é de 17,9 segundos (p95: 65,4s). Chamadas de repetição são mais lentas, com uma mediana de 24,4 segundos.
• Confiabilidade: A forja de ativos demonstra uma taxa de repetição na primeira tentativa de 11,3%. As falhas são principalmente devidas a código CadQuery malformado ou geometria inválida. Mecanismos automáticos de repetição e fallback permitem que o sistema se recupere sem abortar a geração inteira da cena.
• Vazão: O sistema suporta cinco trabalhos de geração concorrentes. A vazão é limitada pela geração de ativos L2, mas pode ser escalada horizontalmente adicionando trabalhadores, já que a arquitetura compartilha serviços sem estado (Redis, MinIO, Qdrant).
• Desempenho do Modelo: Benchmarks em CAD mecânico e ativos de forma livre indicam que o claude-opus-4-6-fast alcança a maior precisão geométrica para peças mecânicas, enquanto o qwen3-coder-480b oferece um forte equilíbrio entre velocidade e custo.

Significado e Alegações

O artigo posiciona o SR-Platform como um passo para tornar a geração de ambientes de simulação robótica mais escalável e acessível. Ao permitir que usuários produzam cenas MuJoCo executáveis a partir de prompts em inglês simples em menos de um minuto, o sistema reduz o esforço manual necessário para construir ambientes de treinamento diversos.

Os autores enfatizam que o valor do sistema reside em seu design orientado à produção: não é meramente um protótipo de pesquisa, mas um serviço implantado com streaming de progresso em tempo real, execução assíncrona de trabalhos, recuperação de ativos semânticos e isolamento de estado por usuário. O artigo alega que essa abordagem agencial, que separa o planejamento semântico, a geração de ativos, o raciocínio de layout e a montagem do simulador, permite melhor cache, depuração e validação do que prompts únicos de LLM de ponta a ponta. Além disso, a inclusão de verificação de restrições industriais visa preencher a lacuna entre cenas visualmente plausíveis e ambientes fisicamente válidos, prontos para implantação.

Os autores notam modestamente limitações, reconhecendo que o sistema atualmente visa ambientes industriais internos e semi-estruturados e que o código CAD gerado por LLM, embora recuperável, ainda não é um compilador determinístico garantido. Trabalhos futuros são propostos para incluir geração imagem-para-3D, backends de física de maior fidelidade e exportação direta para formatos de conjuntos de dados de aprendizagem robótica.