Claire Swedberg
À medida que nós, humanos, expandimos o nosso alcance para o espaço, os robôs podem estar a realizar grande parte do trabalho quotidiano fora da órbita da Terra – tarefas como rodar parafusos e abrir gavetas. Os habitats extraterrestres fazem parte do roteiro da NASA em direção à Lua, Marte e além; e quando essas estações espaciais não forem tripuladas, os robôs precisarão cuidar da manutenção.
Com isso em mente, um grupo de cientistas está construindo um sistema para ajudar os robôs a identificar as coisas ao seu redor e anexar as ferramentas necessárias para pegá-las ou manipulá-las.
Pesquisadores da Purdue University estão desenvolvendo uma solução de aprendizado de máquina que pode identificar equipamentos como chave de fenda, painel elétrico ou interruptor – e então manipular cada item com as ferramentas adequadas.
O sistema Purdue usa uma combinação de visão computacional, aprendizado de máquina integrado e códigos QR para ajudar os robôs a realizar o trabalho, de forma autônoma ou com astronautas.
![blank](https://iopjournal.com.br/wp-content/plugins/wp-fastest-cache-premium/pro/images/blank.gif)
O projeto de robôs autônomos de preensão é liderado por David Cappelleri, professor de engenharia mecânica da Purdue University.
Habilitando Robôs em Habitats Extraterrestres
A NASA tem considerado tecnologias automatizadas para manter os habitats operacionais no espaço, mesmo quando não estão ocupados por astronautas. Esses habitats extraterrestres podem incluir estações no espaço, na Lua ou num planeta como Marte. Na maioria das vezes, estes habitats não seriam tripulados, o que significa que seriam necessários robôs e tecnologia de apoio para manter o seu funcionamento.
O projeto plurianual da Purdue University faz parte dos esforços do instituto Resilient Extra-Terrestrial Habitats (RETHi), uma organização de pesquisa de tecnologia espacial financiada pela NASA. O projeto RETHi visa construir tecnologia que garanta que os futuros habitats espaciais tenham resiliência para se adaptarem a possíveis ameaças, consciência através de sensores, bem como robótica para operar de forma independente e em colaboração com humanos.
O RETHi inclui a Universidade de Connecticut, Harvard, a Universidade do Texas em San Antonio e a Universidade Estadual do Mississippi. Purdue é o principal parceiro da RETHi, que começou oficialmente no início de 2020.
Ventosa, pinça de mandíbula paralela e mão macia
A equipe da Purdue University está desenvolvendo três ferramentas conhecidas como efetores finais que podem ser anexadas a um braço robótico para realizar os tipos de tarefas que a mão humana pode realizar naturalmente – como manipular objetos, abri-los ou fechá-los ou realizar manutenção básica.
Os três efetores finais do robô são uma pinça de sucção, uma pinça de mandíbula paralela e uma mão macia de dois dedos para tarefas mais delicadas. A equipe projetou um porta-ferramentas móvel que contém os três efetores finais. Cada um possui um código QR vinculado a esse item no software do sistema.
Os três efetores modulares seriam acessíveis ao robô para que, quando ele identificasse um objeto e sua orientação e distância, pudesse selecionar o efetor final apropriado para manipular esse objeto conforme necessário para realizar a tarefa.
Como funciona
No centro do desenvolvimento da tecnologia está o aprendizado de máquina para treinar os robôs sobre diferentes objetos em seus ambientes e ajudá-los a identificar, segmentar e classificar os objetos, bem como aprender como segurá-los.
À medida que realiza suas tarefas, o robô usa uma câmera integrada com sensor de profundidade RGBD para ajudá-lo a identificar não apenas o que é um objeto, mas também sua orientação e a que distância ele está. O objeto pode ser algo muito delicado ou pequeno (Cappelleri usa o exemplo de um muffin, que exigiria um leve toque) ou um item grande e plano como um painel elétrico, a maçaneta de uma gaveta ou um interruptor.
Uma vez identificado o item e sua orientação, o robô seleciona o efetor final adequado, confirmando sua identidade com uma leitura de código QR. Em seguida, ele fixa a ferramenta na extremidade do braço móvel, o que cria um canal de comunicação entre a ferramenta e o próprio robô.
Sistemas de comunicação
Para transmitir energia e comunicações entre o robô e o efetor final, há um pequeno computador embutido no pulso, bem como em cada efetor final.
O sistema então analisa continuamente o posicionamento da pega, a pega ou vedação adequada (no caso da ventosa) e então para onde mover esse item.
Se um novo objeto fosse introduzido na estação espacial, a aprendizagem automática permitiria ao robô reconhecer a sua semelhança com outros objetos e, assim, tomar uma decisão sobre como deve ser manuseado e com que ferramenta.
Dados sintéticos ajudam a treinar o sistema de ML
Um dos maiores desafios no desenvolvimento dos algoritmos de aprendizado de máquina foi obter dados suficientes para treinar o robô, disse Cappelleri. Portanto, o grupo gerou dados sintéticos para ajudar no treinamento do sistema.
Esse esforço consistiu na criação de cenas virtuais baseadas em diversas condições e objetos, para possibilitar mais base para o treinamento. Isso foi acoplado a uma simulação dinâmica na qual o robô poderia ser testado para capturar um objeto no mundo virtual e, em seguida, eles testaram o evento simulado no laboratório com efetores finais reais. Por exemplo, o robô poderia ser treinado para entender como uma curvatura em um objeto poderia afetar uma conexão de ventosa.
O grupo de pesquisa lançou o algoritmo SIM-Suction de código aberto para o efetor final da ventosa e dados de treinamento no GitHub para que as pessoas possam acessá-lo e construir seu próprio sistema para testá-lo. Com esse acesso para outros desenvolvedores, Cappelleri destacou “isso permite que as pessoas coloquem as mãos nele para que possam começar a testá-lo e usá-lo em seus próprios aplicativos”.
Aplicações Comerciais
O próximo item da agenda é testar a garra e as mãos com dois dedos.
A tecnologia também poderia servir a aplicações comerciais, disse Cappelleri. Os robôs poderiam usar a tecnologia para identificar e manipular estoques ou ativos em um armazém ou fábrica. Na verdade, a mesma tecnologia poderia permitir até mesmo tarefas domésticas, como esvaziar uma máquina de lavar louça por um robô.
No longo prazo, porém, os benefícios provavelmente serão alcançados no espaço.
“Seria ótimo se pudéssemos levar isso para uma [estação espacial], que seria o objetivo final”, disse Cappelleri.