Destreza de robôs: The Robot Report aponta a confiabilidade do sistema como principal barreira

Em um texto sobre IA física, a redação da The Robot Report afirma que o próximo grande problema da destreza robótica é tornar confiável o sistema inteiro; sem isso, as capacidades não se transformam em trabalho útil. Na versão de anúncio disponível da publicação, não há produtos específicos nem benchmarks. Por isso, a seguir analisamos a própria tese e o contexto em que vale lê-la.

Para dar escala, vale lembrar alguns números conhecidos. A mão humana tem cerca de 27 graus de liberdade e milhares de receptores táteis na pele da palma. A Shadow Dexterous Hand, uma das mãos de pesquisa mais conhecidas, tem 24 articulações e 20 atuadores. Em 2019, a OpenAI usou essa mão para montar um cubo mágico: cerca de 60% de sucesso nas configurações simples e cerca de 20% nas mais difíceis. A mão dava conta fisicamente da tarefa, mas não havia estabilidade em uma série de 15 a 20 tentativas seguidas.

Onde a confiabilidade se perde

A destreza é uma propriedade de um conjunto de várias camadas. Se uma delas tem probabilidade de falha considerável, o resultado final cai rápido. Se cada uma de cinco camadas funciona em 95% dos casos, o sistema inteiro entrega cerca de 77%. Para um vídeo de laboratório, isso basta; para um depósito ou uma linha de montagem, não.

As principais camadas são estas:

• mecânica: desgaste de tendões e redutores, folgas, superaquecimento dos atuadores;
• sensores: os sensores táteis sofrem deriva, e a própria mão bloqueia a visão das câmeras;
• percepção: a pose e o material do objeto são estimados com erro, sobretudo em itens brilhantes, transparentes e macios;
• política de controle: um modelo treinado em simulação ou com demonstrações se transfere mal para objetos novos;
• tratamento de falhas: o sistema precisa perceber que o objeto escorregou e tentar de novo, em vez de encerrar o cenário.

O último item costuma ser esquecido. A diferença entre "sabe pegar" e "sabe trabalhar um turno inteiro" depende em grande parte de como o robô se comporta depois de um erro.

Quais métricas importam

Um único número de sucesso em uma demonstração diz pouco. Para comparar sistemas, é preciso um conjunto de indicadores que, na prática, raramente são publicados por inteiro:

• taxa de ciclos bem-sucedidos em uma série longa, e não nas melhores tentativas;
• tempo médio entre falhas e entre intervenções do operador;
• tempo de ciclo em comparação com o de um humano na mesma operação;
• variação dos resultados em objetos novos, que não fizeram parte do treinamento;
• custo de manutenção da mão: vida útil em horas de operação e tempo de troca de um módulo.

O que pesa é o conjunto. Uma mão rápida que para a cada hora por causa de um erro de preensão perde toda a vantagem de velocidade com o tempo parado e o reinício manual.

Como usar essa tese

Se você avalia um fornecedor de humanoides ou manipuladores para um piloto, peça dados de séries longas: milhares de ciclos, e não dezenas. Pergunte quantas vezes um humano interveio ao longo da série e o que foi contado como sucesso. Separe a demonstração em uma célula controlada do trabalho em uma linha real, com variação de peças, iluminação e embalagem.

Para investidores e desenvolvedores, a conclusão é mais prática: o crescimento do mercado de IA física não será definido por recordes de graus de liberdade, mas pelo trabalho de engenharia pouco glamoroso: diagnóstico, autorrecuperação após erros, vida útil dos componentes e reprodutibilidade dos resultados. Quem primeiro publicar estatísticas honestas de falhas após um mês de operação ganhará mais confiança do que o autor do vídeo mais impressionante.

O material da The Robot Report, por ora, apresenta apenas os contornos do argumento. Será preciso o texto completo para ver em que exemplos a publicação o sustenta.