Beyond Relative Geometry: Metric-Aware Geometry Perception for Robotics

Robôs que se movem através do nosso mundo enfrentam um enigma fundamental: como transformar o que veem naquilo que podem fazer. Durante anos, os sistemas de inteligência artificial tornaram-se notavelmente bons em reconhecer objetos e compreender cenas a partir de imagens planas, tal como um humano a olhar para uma fotografia. No entanto, ver a foto de uma chávena é muito diferente de estender a mão para a agarrar. Para interagir com o mundo físico, uma máquina precisa de mais do que apenas um mapa visual; ela precisa de saber exatamente quão longe estão as coisas e qual o seu verdadeiro tamanho. Sem este sentido preciso de escala, um robô pode pensar que um brinquedo pequeno é uma caixa grande, ou que uma porta está a apenas alguns centímetros de distância quando, na verdade, está a vários pés de distância. Esta lacuna entre ver e conhecer o verdadeiro tamanho das coisas tem sido, há muito tempo, uma barreira para dar aos robôs a destreza necessária para tarefas complexas, como arrumar um quarto ou montar móveis.

Uma equipa de investigadores desenvolveu uma nova abordagem para colmatar esta lacuna, criando um sistema que permite aos robôs perceber o mundo em dimensões reais e mensuráveis, em vez de apenas formas relativas. O seu trabalho, conhecido como Percepção Geométrica com Consciência Métrica (MAGP - Metric-Aware Geometry Perception), ensina as máquinas a reconstruir cenas tridimensionais com um sentido de escala consistente, garantindo que uma cadeira pareça do mesmo tamanho quer o robô a veja pela esquerda, pela direita ou de frente. Ao ancorar a visão do robô a medições físicas reais, o sistema permite movimentos mais fiáveis e precisos, transformando palpites espaciais vagos em dados concretos e acionáveis.

Durante muito tempo, os melhores modelos de visão computacional conseguiam construir apenas um mapa "relativo" de uma cena. Imagine olhar para a foto de uma divisão onde os móveis parecem ter a forma e a posição corretas, mas não tem forma alguma de saber se o sofá tem dois metros de comprimento ou dois centímetros. O modelo compreende as relações entre os objetos — o candeeiro está sobre a mesa, a mesa está sobre o chão — mas não consegue atribuir um tamanho real a eles. Isto funciona bem para identificar o que está numa divisão, mas falha quando um robô precisa de mover o seu braço. Se o mapa interno do robô diz que uma abertura é larga o suficiente para passar, mas essa medição é baseada num palpite em vez de uma régua real, o robô poderá colidir com a parede. O problema é que as câmaras padrão capturam a perspetiva, onde objetos distantes parecem menores e objetos próximos parecem maiores, tornando fácil para um computador errar a escala se depender apenas da imagem em si.

Os investigadores descobriram que os métodos existentes ignoravam frequentemente as pistas específicas que dizem a uma câmara o quanto ela se moveu ou quão profunda é uma cena. Em vez disso, tendiam a adivinhar o tamanho dos objetos com base no aspeto desses objetos, como assumir que uma caneca de café tem um tamanho padrão porque parece uma caneca. Esta abordagem é frágil; se a iluminação mudar ou se o robô vir o objeto de um ângulo estranho, o palpite pode ser totalmente erróneo. O novo sistema, MAGP, foi desenhado para parar de adivinhar e começar a medir. Faz isto forçando o computador a prestar atenção aos dados físicos fornecidos pelos sensores do robô, tais como a distância que a câmara percorreu entre dois instantâneos ou a informação de profundidade de um scanner laser.

Para treinar o sistema para confiar nestas pistas físicas em vez de palpites visuais, os investigadores utilizaram uma técnica de treino inteligente. Eles pegaram em cenas e alteraram artificialmente a escala das medições de distância e dos movimentos da câmara, mantendo as imagens exatamente iguais. Se o modelo interno do robô estivesse apenas a adivinhar com base no aspeto da cena, falharia ao tentar ajustar-se. Mas, como o sistema foi treinado para seguir os números variáveis, aprendeu a atualizar o seu mapa mental do tamanho da divisão sempre que os dados físicos mudavam. Este processo, chamado de aumento de equivalância de escala métrica (metric scale equivariant augmentation), ensinou o modelo que, se a câmara se move o dobro da distância, a divisão deve ser o dobro do tamanho, independentemente do aspeto dos objetos.

O resultado é um robô que vê o mundo com uma régua consistente. Em testes utilizando conjuntos de dados do mundo real de quartos e objetos, o novo sistema reduziu o erro na medição de distâncias de mais de dois metros para apenas sete centímetros. Este é um melhoramento massivo, transformando uma estimativa vaga e incerta numa medição nítida e fiável. O sistema funciona mesmo quando o robô tem diferentes tipos de sensores ou quando alguns dados estão em falta, adaptando-se a qualquer informação disponível para construir uma imagem coerente do espaço.

Quando este novo sistema de perceção foi ligado a um software de controlo de robôs real, a diferença de desempenho foi clara. Numa série de tarefas padrão envolvendo a movimentação de objetos, os robôs que utilizavam o sistema com consciência métrica tiveram mais sucesso do que aqueles que utilizavam métodos mais antigos. Num teste específico envolvendo um robô com dois braços a trabalhar em conjunto, a taxa de sucesso subiu mais de seis pontos percentuais. Os robôs foram melhores a saber exatamente onde colocar as suas pinças e até onde alcançar, levando a menos erros e movimentos mais suaves. Mesmo quando os robôs foram testados em tarefas que nunca tinham visto antes, o sistema ajudou-os a adaptar-se rapidamente, mostrando que uma verdadeira compreensão de escala é uma ferramenta poderosa para a inteligência geral.

Este trabalho sugere que, para os robôs dominarem verdadeiramente o mundo físico, devem deixar de tratar o ambiente como uma imagem plana e passar a tratá-lo como um espaço mensurável. Ao fundamentar a sua visão em dimensões do mundo real, estas máquinas podem passar de simplesmente reconhecer objetos para interagir com eles com a confiança e a precisão de uma mão humana. Os investigadores demonstraram que, quando um robô sabe exatamente o tamanho das coisas, ele pode fazer muito mais do que apenas olhá-las.