Leveraging Inter-object Affordances for Efficient Planning in Contact-rich Tasks

Os robôs há muito são mestres no chão de fábrica, onde repetem os mesmos movimentos precisos em peças idênticas. Mas entre em uma cozinha real e as regras mudam. Aqui, os objetos vêm em todas as formas, tamanhos e materiais, e interagem de maneiras complexas. Uma frigideira pesada não pode ser equilibrada sobre um saleiro fino, e uma caneca de vidro redonda rolará de uma superfície curva. Para um robô navegar nesta realidade caótica, ele precisa de mais do que apenas uma lista de passos; ele precisa entender as "regras de engajamento" físicas entre os objetos. Este é o desafio do planejamento de tarefa e movimento (task-and-motion planning), um campo que tenta preencher a lacuna entre objetivos de alto nível, como "organizar a mesa", e a física de baixo nível de como o braço de um robô realmente se move. Embora a inteligência artificial moderna tenha feito progressos na compreensão de linguagem e imagens, fazer um robô empilhar de forma confiável uma variedade de itens domésticos sem derrubá-los continua sendo um obstáculo significativo.

Uma equipe de pesquisadores da Universidade de Innsbruck abordou este problema ensinando um sistema de planejamento a pensar nas relações físicas entre os objetos antes mesmo de mover um músculo. Em vez de depender de modelos simplificados que tratam todos os objetos como blocos uniformes, eles desenvolveram um método que leva em conta as affordances específicas de itens do mundo real. Neste contexto, uma affordance é simplesmente o que um objeto permite que um robô faça com ele com base em sua forma e material. Por exemplo, uma tábua de corte plana oferece uma superfície estável para segurar outros itens, enquanto o fundo redondo de um saleiro não oferece. Os pesquisadores construíram um sistema que usa essas verdades físicas para filtrar ações impossíveis antes mesmo que o robô tente executá-las, garantindo que um plano para empilhar uma caneca sobre uma frigideira só seja gerado se a física realmente permitir.

O cerne do trabalho deles envolve uma nova maneira de definir como um robô interage com seu ambiente. Eles criaram um conjunto de regras que descrevem como os objetos podem ser agarrados, suportados, levantados ou deslizados. Por exemplo, o sistema entende que uma frigideira pode ser levantada pelo seu cabo, mas é muito pesada e desajeitada para ser agarrada pela sua borda. Ele sabe que uma bandeja de madeira é pesada demais para ser levantada de uma mesa, mas pode ser deslizada pela superfície. Ao codificar essas restrições físicas diretamente no processo de planejamento, o robô evita perder tempo tentando executar ações que são fisicamente impossíveis, como tentar equilibrar um objeto grande e pesado em uma superfície pequena e instável. Esta abordagem, que os autores chamam de Unified TAMP, permite que o robô gere uma sequência de ações que é garantida como viável no mundo real, em vez de apenas teoricamente possível.

Para testar essa ideia, os pesquisadores configuraram um ambiente de cozinha simulado apresentando um braço robótico e uma coleção de itens comuns: um saleiro, uma caneca de vidro, uma tábua de corte, uma frigideira e uma bandeja de madeira. O objetivo era organizar esses itens espalhados empilhando-os ordenadamente sobre a bandeja. Eles criaram mais de cem cenários iniciais diferentes, variando o número de objetos e suas posições iniciais, para ver como seu método resistiria à pressão. Eles compararam seu novo sistema contra outras duas abordagens: uma versão mais antiga da ferramenta de planejamento que ignorava propriedades físicas específicas, e um sistema que dependia de um grande modelo de visão-linguagem para adivinhar os movimentos corretos com base no senso comum.

Os resultados foram impressionantes. O novo sistema, que incorporou as regras físicas detalhadas, obteve sucesso ao criar planos válidos quase todas as vezes que foi testado, alcançando uma taxa de sucesso de até cem por cento quando as regras eram perfeitamente conhecidas. Mesmo quando o sistema teve que usar um modelo de visão para identificar os objetos e suas propriedades, ele ainda obteve sucesso noventa por cento das vezes. Em contraste, o método de planejamento mais antigo, que tratava os objetos como blocos genéricos, falhou mais da metade das vezes porque tentou empilhar itens de formas que desafiavam a física, como colocar uma panela pesada sobre um saleiro minúsculo. O modelo de visão-linguagem, apesar de sua capacidade de entender linguagem e imagens, teve dificuldades significativas, obtendo sucesso apenas cerca de quarenta por cento das vezes. Ele frequentemente perdia detalhes físicos sutis, como o fato de que uma superfície redonda não pode suportar um objeto pesado, levando a planos que pareciam lógicos em texto, mas que falhariam na realidade.

Além das taxas de sucesso, a velocidade de planejamento foi um diferencial importante. O novo sistema gerou planos em uma fração de segundo, aproximadamente duas ordens de magnitude mais rápido que o modelo de visão-linguagem, que levava em média mais de um minuto. Essa velocidade vem do fato de que o novo sistema utiliza um framework estruturado e lógico para eliminar opções impossíveis imediatamente, enquanto o modelo de visão tem que raciocinar sobre cada possibilidade do zero. Os pesquisadores descobriram que, conforme o número de objetos aumentava, os métodos antigos tornavam-se cada vez mais lentos e propensos a erros, enquanto sua nova abordagem mantinha sua eficiência e precisão. Isso sugere que, para os robôs operarem efetivamente em ambientes complexos do mundo real, eles precisam de uma base sólida de compreensão física que vá além de apenas reconhecer o que um objeto é.

O estudo também destacou as limitações de confiar exclusivamente na inteligência artificial para entender o mundo físico. Embora os modelos de visão-linguagem sejam ferramentas poderosas para reconhecer objetos e gerar ideias, eles carecem do raciocínio rigoroso e passo a passo necessário para garantir que um plano funcionará em uma simulação física. Os pesquisadores mostraram que, ao combinar o conhecimento de senso comum desses modelos com um sistema de planejamento baseado em regras estritas, eles poderiam obter o melhor dos dois mundos: a capacidade de reconhecer objetos do mundo real e a capacidade de gerar um plano que respeite as leis da física. Esta abordagem híbrida permite que o robô lide com a bagunça de uma cozinha real, onde uma panela pesada não pode ser levantada pela borda e uma caneca redonda não pode ser equilibrada em uma superfície curva, sem ficar travado ou falhar.

Em última análise, este trabalho demonstra que, para os robôs passarem dos laboratórios controlados para nossas casas, eles devem ser equipados com uma compreensão simbólica profunda de como os objetos interagem. Não basta saber que uma xícara existe; o robô deve entender que a xícara possui um fundo plano que pode suportar um pires, mas um lado curvo que não pode. Ao construir essas restrições físicas diretamente no processo de planejamento, os pesquisadores criaram um sistema que é ao mesmo tempo rápido e confiável. Os experimentos, conduzidos em uma simulação realista, mostram que este método pode lidar com tarefas de empilhamento complexas com um alto grau de sucesso, oferecendo um caminho promissor para robôs que precisam navegar no mundo imprevisível e variado dos ambientes humanos.