DONIC ensinou uma única política a controlar duas mãos: 86,79% de sucesso sem fine-tuning

Uma equipe de pesquisadores lançou o DONIC, uma política unificada para controlar duas mãos robóticas hábeis que rastreia movimentos humanos na manipulação de objetos. Com um único checkpoint e sem nenhum fine-tuning, o sistema lida com 86,79% das trajetórias inéditas com objetos conhecidos e com 57,32% nos objetos ausentes do treinamento. Em relação aos melhores baselines de rastreamento com duas mãos, a vantagem é de 77,36 e 45,73 pontos percentuais, respectivamente.

Subtraindo a diferença do resultado, os concorrentes ficavam em torno de 9% nos objetos conhecidos e cerca de 12% nos novos. Ou seja, até agora o rastreamento com duas mãos operava num nível próximo de "quase nunca".

Por que duas mãos são mais difíceis do que uma mão vezes dois

Até agora, o rastreamento de movimentos de referência para mãos hábeis se concentrou sobretudo em uma única mão e num conjunto restrito de interações. A vida real é diferente: abrir uma tampa, segurar uma caixa por baixo e pelo lado, passar um objeto de uma palma para a outra. Tudo isso exige que as duas mãos desempenhem papéis distintos e troquem de função no momento certo.

Há dois problemas. Primeiro, existem pouquíssimos dados de manipulação com duas mãos e muitos contatos. Segundo, a cada mão adicional a complexidade de coordenar os contatos cresce de forma acentuada: o erro de uma mão compromete a pegada da outra. Por isso, até hoje não existia um rastreador universal para duas mãos.

BiHOI: os dados que faltavam

Os autores começaram pelo dataset. O BiHOI é um conjunto multivisão com 1575 sequências e 229 objetos, focado em interações longas com as duas mãos, e não em toques curtos. As interações reconstruídas a partir de vídeo são retargetadas para referências do robô, isto é, os movimentos humanos são convertidos em trajetórias que a mão robótica consegue executar. O DONIC foi treinado simultaneamente em diferentes categorias de manipulação e em diferentes fontes de movimento humano, e essa mistura é importante para a generalização.

O ciclo em que o robô aprende com os próprios acertos

O treinamento combina proximal policy optimization (PPO) e behavioral cloning. Os dois operam num ciclo de realimentação: as execuções que passam na verificação de sucesso voltam ao treinamento como demonstrações. A própria política amplia o conjunto de bons exemplos.

Duas outras decisões dizem respeito às recompensas e à estimativa de vantagem:

• Object-centered per-hand reward. A recompensa está atrelada ao movimento do objeto, então o feedback sobre o que acontece com o item é preservado. Ao mesmo tempo, cada mão é avaliada pelo seu papel de contato na referência. • Clip-Centered Advantages. O método remove os vieses de vantagem que dependem de cada referência específica, mas mantém as diferenças dentro da trajetória. A lógica é que os clipes variam bastante em dificuldade, e sem a centralização o treinamento tenderia a favorecer os mais fáceis.

Juntas, essas decisões permitem que uma única política domine manipulações coordenadas em referências heterogêneas.

Principais parâmetros

• Primeiro rastreador universal para duas mãos, treinado ao mesmo tempo em várias categorias de manipulação e fontes de movimento • BiHOI: 1575 sequências, 229 objetos, multivisão • 86,79% de sucesso em novas trajetórias com objetos conhecidos • 57,32% em objetos reservados (held-out) • Vantagem sobre os melhores baselines: 77,36 e 45,73 p.p. • Um único checkpoint, sem fine-tuning

Quem deve aproveitar primeiro

Quem constrói humanoides e manipuladores com mãos hábeis. O gargalo não está no hardware, e sim nos dados e no controle: se as demonstrações humanas puderem ser convertidas de forma confiável em referências para duas mãos e uma política unificada as executar, a coleta de dados por vídeo e teleoperação vira um pipeline viável. Essa política pode funcionar como executora de baixo nível, com um planejador ou um modelo de linguagem por cima definindo o que fazer.

A limitação também aparece nos números. Nos objetos novos, o sucesso é de 57,32%, o que significa que o sistema ainda erra quase uma vez em cada duas. Para uso industrial ou doméstico, isso é pouco, mas como base de pesquisa e referência de generalização o resultado é forte. Agora é possível medir e melhorar a generalização para a forma e o peso de objetos desconhecidos, num dataset comum e com um baseline claro.