Resumo Técnico: AetheRock e ForceVT

Definição do Problema

A sensação de força e tátil é crítica para a manipulação robótica rica em contato, mas os sistemas atuais de aprendizado de robôs enfrentam obstáculos significativos para integrar essas modalidades de forma eficaz. As abordagens existentes frequentemente dependem de sensores de Força/Torque (F/T) de 6 eixos caros, que são volumosos e difíceis de adaptar a garras padrão, ou utilizam sensores visuo-táteis que sofrem com inconsistências de fabricação (ex: mistura imperfeita do gel) e degradação ao longo do tempo (ex: descolamento de bordas, arranhões). Essas imperfeições físicas levam a "inconsistências de fidelidade", onde os dados táteis variam significativamente entre sensores ou ao longo do ciclo de vida de um sensor, degradando o desempenho do modelo. Além disso, os sistemas atuais de coleta de dados vestíveis carecem de capacidades robustas de sensação de força de baixo custo integradas diretamente à pegada do operador humano, limitando a qualidade dos dados de aprendizado guiados por força.

Metodologia

1. Hardware: AetheRock

Os autores introduzem o AetheRock, um sistema de ensino de robô usado no braço, projetado para coletar dados sincronizados de força da garra, visão e tato. O sistema apresenta três inovações principais de hardware:

• GelSlim-MiniFab: Um novo sensor visuo-tátil inspirado no GelSlim 4.0, mas otimizado para fabricação de baixo custo e reparabilidade. Ele utiliza acrílico cortado em 2D em vez de acrílico 3D caro, apresenta placas RGB e capas de silicone substituíveis para reparos rápidos, e é projetado para fácil montagem em vários tipos de garras.
• Sensor de Pressão Resistivo: Para evitar o custo e o tamanho dos sensores F/T de 6 eixos, o sistema emprega um sensor de pressão resistivo montado na região de contato do dedo humano. Isso fornece dados de força da garra robustos e adequados para o aprendizado de robôs.
• PCB Modular e Kit Vestível: O sistema utiliza um design de PCB modular customizado (incluindo um controlador Orange Pi, encoders rotativos magnéticos para largura da garra e módulos ADC para sensores de pressão) integrado em um kit ergonômico para o braço. Isso permite conectividade estável e coleta de dados confortável por mais de duas horas.
• Processamento de Dados: O sistema implementa sincronização de alta precisão via Protocolo de Tempo de Rede (NTP) (latência de 10 ms) entre o PC e o controlador, um pipeline de calibração geométrica para corrigir a distorção de perspectiva nas imagens táteis, e uma calibração linear por partes para o sensor de pressão resistivo.

2. Algoritmo: ForceVT

Construindo sobre o sistema AetheRock, os autores propõem o ForceVT, um framework de aprendizado de representação projetado para alcançar um aprendizado tátil agnóstico à fidelidade. O algoritmo aborda o problema de sensores táteis inconsistentes através de:

• Aumento de Dados Multi-Fidelidade: O sistema coleta dados de sensores com diferentes níveis de "fidelidade" (simulando danos ou defeitos de fabricação) e aplica Mascaramento Tátil Aleatório para perturbar as observações táteis estocasticamente.
• Aprendizado Guiado por Força: O framework funde características de visão e força ($z_{vf}$) usando um módulo leve. Em seguida, emprega um mecanismo de alinhamento suave para transferir a similaridade relacional do espaço visão-força fundido para o espaço tátil. Isso permite que o modelo aprenda representações táteis robustas que são consistentes, independentemente da fidelidade específica do sensor.
• Alinhamento Cross-Modalidade: Uma perda contrastiva é usada para alinhar as características de visão-força fundidas com as representações táteis, garantindo que a estrutura relacional das características táteis corresponda à das características de visão-força.
• Aprendizado de Política: A política final prevê ações contínuas (pose do efetuador, largura da garra e força) com base nas características de visão e tato alinhadas.

Principais Contribuições

1. Sistema AetheRock: Um dispositivo usado no braço que coleta de forma robusta e conforme dados de força da garra, visão e tato, permitindo janelas de coleta de dados contínuas quatro vezes mais longas que os sistemas UMI (Universal Manipulation Interface) existentes, com 100% de usabilidade de dados.
2. Sensor GelSlim-MiniFab: Um novo design de sensor visuo-tátil que oferece fabricação de baixo custo, facilidade de reparo e adaptabilidade a múltiplos tipos de garras, abordando as limitações de ciclo de vida e custo de sensores anteriores.
3. Algoritmo ForceVT: Um algoritmo de aprendizado visão-tato guiado por força que permite inferência robusta em qualquer situação tátil, utilizando força e visão para guiar o aprendizado de representação tátil agnóstico à fidelidade.

Resultados Experimentais

Os autores avaliaram o sistema em seis tarefas robóticas do mundo real (ex: Fixar Grampo, Pendurar Toalha, Pegar Pão, Apagar Quadro, Pegar Bloco, Inserir Flor) e quatro tarefas ricas em contato (Apagar Quadro, Parafusamento, Fechar Garrafa, Armazenamento).

• Eficiência de Coleta de Dados: O AetheRock demonstrou alta eficiência, alcançando mais de 80% de progresso na tarefa para tarefas de pick-and-place de objetos rígidos com menos de 20 minutos de demonstrações. Tarefas complexas como apagar um quadro atingiram níveis de desempenho com 30 minutos de dados, embora limitações de percepção (ex: bater na mesa) tenham sido observadas.
• Leis de Escala (Scaling Laws): Experimentos de escala pós-treinamento mostraram que o desempenho da política melhorou com o aumento do volume de dados, embora o desempenho tenha declinado em configurações de generalização global (posições aleatórias de objetos) devido a desafios de percepção e alinhamento.
• Robustez à Fidelidade: Em experimentos simulando a degradação do sensor (100%, 75% e 50% de fidelidade), os métodos de linha de base (VisTacLinear, TacFiLM, TactileConcat) sofreram quedas significativas de desempenho (até ~20% de diminuição). Em contraste, o ForceVT permaneceu robusto, com uma degradação de desempenho inferior a 5% entre os níveis de fidelidade.
• Desempenho da Tarefa: O ForceVT superou todos os baselines em tarefas ricas em contato. Por exemplo, na tarefa "Fechar Garrafa", o ForceVT alcançou 58,0% de sucesso, comparado a 50,5% do segundo melhor baseline (VisTacLinear). Os autores observam que a sensação tátil ajuda as políticas a se moverem em direção aos sinais de contato, enquanto políticas apenas de visão exibem "ações fantasmas sem contato".

Significância e Alegações

O artigo afirma que seu trabalho mitiga as limitações dos atuais aprendizados de visão-força-tato de garra através de um co-design de hardware e algoritmos inovadores. Especificamente:

• Ele aborda a incompatibilidade de sensores táteis e de força em dispositivos vestíveis ao introduzir um sistema modular, de baixo custo e reparável.
• Resolve o problema de inconsistência de fidelidade no aprendizado visuo-tátil, que é frequentemente causado por defeitos de fabricação ou desgaste do sensor, usando força e visão como guias para o aprendizado de representação robusta.
• O sistema permite a coleta de dados multi-sensores de alta qualidade, essenciais para treinar políticas robustas em cenários de manipulação rica em contato.

Os autores reconhecem limitações, observando que inconsistências entre os sinais de contato de treinamento e de inferência (ex: contatos de borda vs. de almofada) continuam sendo um desafio, e que trabalhos futuros focarão na integração do feedback de inferência na coleta de dados e na exploração de pré-treinamento com dados de larga escala.