Robôs skatistas roubam a cena em novo vídeo; confira
Em um novo artigo publicado na ArXiv, pesquisadores das universidades de Michigan e Southern University of Science and Technology revelaram um grande avanço na robótica: uma estrutura baseada em aprendizado por reforço que permite que robôs com pernas usem skates de forma autônoma. Esses robôs skatistas podem abrir caminho para aplicações inovadoras em entregas urbanas e locomoção automatizada. Robô treinado com vídeos de cirurgia realiza operação com habilidade de médico Robô quebra recorde mundial ao correr 100 metros em menos de 25 segundos A chave para esse avanço está no Discrete-Time Hybrid Automata Learning (DHAL), um sistema que permite que os robôs identifiquem e executem transições de movimento sem precisar de segmentação manual. Isso significa que os robôs podem aprender a interagir com o ambiente de maneira mais fluida e intuitiva, sem precisar de ajustes constantes por parte dos programadores. -Entre no Canal do WhatsApp do Canaltech e fique por dentro das últimas notícias sobre tecnologia, lançamentos, dicas e tutoriais incríveis.- Robôs skatistas A dinâmica híbrida permite que os robôs alternem entre movimentos suaves e mudanças abruptas, como acontece quando um objeto em movimento interage com diferentes superfícies. Confira o vídeo: No caso do skate, os robôs precisam aprender a empurrar, deslizar e equilibrar-se para conseguir avançar. O DHAL identifica automaticamente esses momentos e ajusta os movimentos do robô para uma performance mais eficiente. Sistemas dinâmicos híbridos, que incluem fluxo contínuo e troca de modo discreta, podem modelar tarefas de robótica como a locomoção de robôs com pernas. Métodos baseados em modelos dependem de andamentos predefinidos, enquanto abordagens sem modelo carecem de conhecimento explícito de troca de modo. Os métodos atuais identificam modos discretos por meio de segmentação antes de regredir o fluxo contínuo, mas aprender dinâmicas de corpos rígidos complexos de alta dimensão sem rótulos de trajetória ou segmentação é um problema aberto desafiador. Os cientistas pretendem expandir essa pesquisa para outras aplicações, como manipulação hábil de objetos. A ideia é tornar os robôs ainda mais autônomos e eficientes, permitindo que realizem tarefas complexas sem necessidade de constante supervisão humana. Os robôs skatistas representam o futuro da locomoção robótica está apenas começando, e os skates podem ser apenas o primeiro passo para um mundo onde robôs se movem com a graça e a fluidez de um humano. Leia também: Conheça Apollo, robô humanoide com IA avançada que trabalha na Mercedes Conheça o robô que aprende copiando movimentos humanos VÍDEO | ROBÔ DA TESLA - 2ª GERAÇÃO Leia a matéria no Canaltech.
Em um novo artigo publicado na ArXiv, pesquisadores das universidades de Michigan e Southern University of Science and Technology revelaram um grande avanço na robótica: uma estrutura baseada em aprendizado por reforço que permite que robôs com pernas usem skates de forma autônoma. Esses robôs skatistas podem abrir caminho para aplicações inovadoras em entregas urbanas e locomoção automatizada.
- Robô treinado com vídeos de cirurgia realiza operação com habilidade de médico
- Robô quebra recorde mundial ao correr 100 metros em menos de 25 segundos
A chave para esse avanço está no Discrete-Time Hybrid Automata Learning (DHAL), um sistema que permite que os robôs identifiquem e executem transições de movimento sem precisar de segmentação manual.
Isso significa que os robôs podem aprender a interagir com o ambiente de maneira mais fluida e intuitiva, sem precisar de ajustes constantes por parte dos programadores.
-
Entre no Canal do WhatsApp do Canaltech e fique por dentro das últimas notícias sobre tecnologia, lançamentos, dicas e tutoriais incríveis.
-
Robôs skatistas
A dinâmica híbrida permite que os robôs alternem entre movimentos suaves e mudanças abruptas, como acontece quando um objeto em movimento interage com diferentes superfícies. Confira o vídeo:
No caso do skate, os robôs precisam aprender a empurrar, deslizar e equilibrar-se para conseguir avançar. O DHAL identifica automaticamente esses momentos e ajusta os movimentos do robô para uma performance mais eficiente.
Sistemas dinâmicos híbridos, que incluem fluxo contínuo e troca de modo discreta, podem modelar tarefas de robótica como a locomoção de robôs com pernas. Métodos baseados em modelos dependem de andamentos predefinidos, enquanto abordagens sem modelo carecem de conhecimento explícito de troca de modo. Os métodos atuais identificam modos discretos por meio de segmentação antes de regredir o fluxo contínuo, mas aprender dinâmicas de corpos rígidos complexos de alta dimensão sem rótulos de trajetória ou segmentação é um problema aberto desafiador.
Os cientistas pretendem expandir essa pesquisa para outras aplicações, como manipulação hábil de objetos. A ideia é tornar os robôs ainda mais autônomos e eficientes, permitindo que realizem tarefas complexas sem necessidade de constante supervisão humana.
Os robôs skatistas representam o futuro da locomoção robótica está apenas começando, e os skates podem ser apenas o primeiro passo para um mundo onde robôs se movem com a graça e a fluidez de um humano.
Leia também:
- Conheça Apollo, robô humanoide com IA avançada que trabalha na Mercedes
- Conheça o robô que aprende copiando movimentos humanos
VÍDEO | ROBÔ DA TESLA - 2ª GERAÇÃO
Leia a matéria no Canaltech.
