Nos cantos silenciosos e desordenados de um lar ou nos corredores estreitos de uma loja de conveniência, um robô enfrenta um desafio que é simples para um humano, mas desconcertante para uma máquina: pegar um sanduíche sem esmagá-lo, ou levantar um copo de papel sem deixá-lo escorregar. Durante décadas, engenheiros ensinaram robôs a segurar objetos medindo números — quanta força é aplicada, quanta fricção existe e se o objeto se move. Essas medições são precisas e confiáveis, mas ignoram a parte mais importante da equação: a sensação humana de que está "perfeito". Um robô pode aplicar uma força que é fisicamente suficiente para segurar um objeto, mas, para um observador humano, o objeto parece levemente amassado ou deformado, sinalizando que a pressão está forte demais. Esse descompasso entre o que o robô mede e o que um humano espera cria uma barreira para a verdadeira cooperação. Se um robô não consegue entender que um sanduíche esmagado é uma falha, mesmo que não tenha caído, ele nunca será confiado em tarefas diárias delicadas.

Uma equipe de pesquisadores do Instituto de Tecnologia de Kyushu, no Japão, desenvolveu uma nova maneira de preencher essa lacuna. Eles criaram um sistema que permite ao robô aprender os padrões visuais subjetivos de um aperto humano e, em seguida, aplicar esses padrões usando apenas seus próprios sensores mecânicos. Em vez de programar um robô com regras rígidas para cada objeto possível, o que é impossível dada a variedade infinita de coisas no mundo, os pesquisadores construíram uma estrutura que transfere a intuição humana para a máquina. O sistema funciona mostrando primeiro a um humano como julgar um aperto e, depois, usando esse julgamento para ensinar ao robô o que procurar em seus próprios dados. O resultado é um robolo que consegue se adaptar a um novo objeto desconhecido após ver apenas alguns exemplos, aprendendo a parar de apertar no exato momento em que um humano decidiria que o aperto está perfeito.

Os pesquisadores testaram essa ideia em três itens comuns encontrados em ambientes não estruturados: um bolinho de arroz (onigiri), um sanduíche e um copo de papel. Esses objetos foram escolhidos porque são macios, deformáveis e se comportam de maneira diferente sob pressão. Para ensinar o robô, a equipe primeiro gravou vídeos do robô segurando esses itens enquanto aumentava a força em passos pequenos e precisos. Um observador humano assistiu a esses vídeos e marcou dois momentos críticos: o segundo exato em que a garra segurou o objeto com segurança e o primeiríssimo instante em que o objeto começou a mostrar sinais visíveis de danos, como um amassado ou uma mudança de forma. Esses momentos definiram três estados para o robô: deslizando (não segurando com força suficiente), apropriado (segurando na medida certa) e excessivo (apertando demais).

A inovação central reside em como o robô aprende essas definições sem precisar de milhares de exemplos rotulados por humanos. Os pesquisadores usaram um modelo de linguagem e visão de grande escala, um tipo de inteligência artificial capaz de compreender imagens e texto, para atuar como uma ponte. Eles mostraram a essa IA alguns exemplos dos julgamentos humanos — apenas dois ou três vídeos onde um humano já havia marcado os momentos perfeitos. A IA então usou esses exemplos como guia para rotular o restante dos dados de vídeo automaticamente. Esse processo, que a equipe chama de gerador de supervisor semiautomático, permitiu que criassem um conjunto de dados de treinamento completo para cada objeto com o mínimo de esforço humano. A IA aprendeu a reconhecer as sutis pistas visuais de deformação que um humano notaria, efetivamente traduzindo o "olhar" humano em um conjunto de rótulos que o robô pudesse entender.

Uma vez que o robô teve esses dados rotulados, ele aprendeu a prever o estado do aperto em tempo real usando apenas seus próprios sensores internos. O robô não tem olhos para ver o amassado; em vez disso, ele depende de sensores táteis em suas pontas de dedos e de uma medição da força que está aplicando. Os pesquisadores treinaram um modelo de previsão leve para observar o histórico dessas leituras de sensores e prever o que acontecerá na próxima fração de segundo. Se o padrão de pressão e toque sugere que o objeto está prest️ a se deformar, o robô sabe que deve parar de aumentar a força. Essa previsão acontece em uma fração de segundo, permitindo que o robô ajuste seu aperto continuamente enquanto levanta e move o objeto.

Os experimentos mostraram que essa abordagem funciona muito bem. Quando os pesquisadores testaram o sistema nesses três objetos, a capacidade do robô de prever o estado correto melhorou rapidamente à medida que via mais dados. Com apenas um exemplo do julgamento humano, o robô conseguia começar a entender a tarefa, mas suas previsões eram por vezes instáveis. Ao receber dois exemplos, o desempenho do robô tornou-se altamente preciso, correspondendo quase perfeitamente ao julgamento humano. Nos testes em que o robô realmente levantou e moveu os objetos, ele conseguiu manter o aperto "apropriado" em quase todos os experimentos. Para o copo de papel e o sanduíche, o robô alcançou uma pontuação perfeita em manter o objeto seguro e sem danos. Para o bolinho de arroz, que possui um formato mais irregular e densidade desigual, o robô foi um pouco mais cauteloso, parando seu aperto um pouco antes do que o humano faria, mas ainda assim transportou o item com sucesso sem deixar cair ou esmagar.

Para confirmar se o robô estava realmente atendendo às expectativas humanas, os pesquisadores pediram a vinte e cinco pessoas que assistissem aos vídeos do robô realizando essas tarefas. Os participantes foram solicitados a decidir se o aperto do robô estava deslizando, apropriado ou excessivo. Em quase todos os casos, mais de noventa por cento das pessoas concordaram que o robô estava segurando o objeto corretamente. A única exceção foi um teste com o sanduíche, onde o robô o segurou levemente fora de centro, causando uma distorção visual que alguns interpretaram como força excessiva. Esse resultado sugere que o sistema conseguiu alinhar as ações mecânicas do robô com as expectativas visuais humanas, criando um aperto que parece correto para uma pessoa que observa.

O estudo também destacou os limites desta abordagem atual. Os pesquisadores observaram que o sistema funciona melhor quando os objetos são semelhantes aos que já viu. Se um novo tipo de sanduíche com uma textura ou rigidez completamente diferente for introduzido, o robô pode precisar de mais alguns exemplos para aprender as novas regras. A equipe também apontou que seu método atual depende de uma classificação simples de três estados, o que é um bom ponto de partida, mas não captura toda a complexidade da preferência humana. Trabalhos futuros visarão tornar o sistema mais robusto, incorporando feedback de humanos durante a tarefa e expandindo a gama de objetos que pode manipular.

Em última análise, esta pesquisa demonstra um caminho a seguir para robôs que precisam trabalhar ao lado de pessoas em ambientes bagunçados e imprevisíveis. Ao ensinar as máquinas a valorizar a perspectiva humana — não apenas a segurança física do objeto, mas sua aparência e integridade — os pesquisadores deram um passo significativo em direção a robôs que podem realmente entender as nuances da vida cotidiana. O robô não precisa ser instruído exatamente com quanta força apertar um item específico; ele só precisa aprender o que "demais" parece, e então pode aplicar essa lição a tudo o que encontrar. Essa capacidade de transferir critérios humanos subjetivos para o controle objetivo de máquinas sugere um futuro onde os robôs podem lidar com nossas posses mais frágeis com o mesmo cuidado que nós.