Como a MTS ensina um humanoide com modelo VLA a pegar objetos que se movem em uma esteira

Em 22 de julho de 2026, a engenheira de ML da MTS Daniya publicou no blog corporativo da empresa no Habr uma análise de como a área de RnD de Physical AI está ensinando um humanoide de corpo inteiro a pegar objetos que se movem em uma esteira, usando uma política VLA (Vision-Language-Action, «visão — linguagem — ação»).

Qual é o principal problema

O humanoide pega com segurança um objeto sobre a mesa, mas começa a errar quando o mesmo objeto passa por uma esteira. É exatamente essa tarefa que a equipe da MTS tenta resolver. Em uma cena estática, o objeto fica parado, a iluminação é estável e a câmera aponta para a área de trabalho, por isso os modelos VLA atuais alcançam alta qualidade de controle. Assim que o objeto entra em movimento, a precisão habitual da pegada desaparece: o modelo, treinado em cenas com objetos parados, não consegue acompanhar a geometria da tarefa, que muda o tempo todo.

Segundo a engenheira, não se trata de uma falha isolada, mas de uma limitação sistêmica de uma abordagem que funciona muito bem em demonstrações de laboratório, mas se transfere mal para uma esteira real.

O robô pega com segurança um objeto sobre a mesa, mas começa a errar

quando o objeto se move em uma esteira.

— Daniya, engenheira de ML da MTC Web Services

Por que uma cena dinâmica é mais difícil que uma estática

O ambiente dinâmico acrescenta dois níveis de complexidade de uma só vez: o objeto se move e o robô, que precisa se ajustar a ele, também se move. A maioria das demonstrações de robôs mais vistosas ainda é gravada em cenas estáticas, com os objetos dispostos com cuidado sobre a mesa e quase nada mudando. As tarefas reais, em casa e na indústria, não são assim: no mínimo, os objetos passam por esteiras, e a pegada precisa ser calculada levando em conta a velocidade e a trajetória deles.

Principais dados do projeto:

• Equipe — área de RnD de Physical AI na MTC Web Services
• Tecnologia — política VLA (Vision-Language-Action) para humanoide
• Autora da análise — Daniya, engenheira de ML da MTS
• Foco — pegar objetos que se movem em uma esteira, e não parados sobre a mesa
• Data de publicação da análise — 22 de julho de 2026

Por que é mais difícil para um humanoide do que para um manipulador

Um robô de corpo inteiro não precisa apenas esticar o braço até o objeto: ele também tem de manter o equilíbrio de todo o corpo. Um manipulador fixo resolve um problema mais simples: sua base é fixa, e todo o modelo responde apenas pelo movimento do braço. Já o humanoide, para a mesma pegada, é obrigado a dar passos e compensar o deslocamento do centro de gravidade com movimentos adicionais do tronco.

Cada um desses movimentos altera a posição da câmera e do braço em relação ao objeto, que naquele momento também está se movendo. O resultado é que o cálculo dos movimentos fica muito mais complexo: o modelo precisa, ao mesmo tempo, prever a trajetória do objeto, planejar a pegada e manter a estabilidade do robô. É essa combinação que a equipe da MTS tenta montar agora, dentro da área de Physical AI.

O que isso significa

A passagem de demonstrações estáticas para o trabalho com objetos em movimento é uma das principais barreiras para levar os humanoides do laboratório à produção real. A análise da MTS mostra que até a operação básica de «pegar um objeto» deixa de ser trivial quando a cena ganha vida, e que a aplicação industrial de robôs VLA esbarra não na força da pegada, mas na dinâmica do ambiente.

Perguntas frequentes

O que é uma política VLA?

VLA (Vision-Language-Action) é um modelo de controle de robôs que conecta visão, instrução em linguagem natural e ação: o robô «vê» a cena, entende a tarefa e planeja o movimento. Em cenas estáticas, segundo os dados da análise da MTS, esses modelos alcançam alta qualidade de pegada.

Por que o ambiente dinâmico é mais difícil para um humanoide?

Porque tanto o objeto quanto o próprio robô se movem. Para pegar o item, o humanoide de corpo inteiro precisa dar passos e manter o equilíbrio do corpo com movimentos adicionais, por isso o cálculo dos movimentos fica muito mais complexo do que no caso de um manipulador fixo.