Physicl capta US$ 10 milhoes e abre 10.000 ambientes virtuais para robos

Um robo aprendeu a pegar uma xicara em uma mesa vazia. Coloque pratos ao lado, reduza a iluminacao ou cubra parcialmente a alca com uma toalha, e a preensao pode falhar. Para corrigir um erro assim, a equipe precisa coletar novas gravacoes de cameras e lidar, operar o robo manualmente, rotular os dados e reiniciar o treinamento. Isso e caro, lento e dificil de escalar para milhares de situacoes raras.

A startup Physicl propoe coletar esses casos nao apenas no laboratorio, mas tambem dentro de mundos tridimensionais controlaveis. A empresa captou US$ 10 milhoes em uma rodada seed liderada pela Inovia Capital e apresentou o Studio: uma biblioteca com 10.000 ambientes virtuais e 100.000 objetos para gerar dados sinteticos de treinamento.

Das vitrines de lojas online aos robos

Alex de Vigan, fundador da Physicl, desenvolveu anteriormente a nfinite, uma plataforma para criar modelos tridimensionais de produtos e imagens publicitarias. Os modelos generativos comecaram a substituir parte desse negocio, mas a tecnologia acumulada para construir cenas 3D precisas encontrou outra aplicacao.

Uma imagem bonita nao e suficiente para um robo. Ele precisa compreender o tamanho do objeto, a distancia ate ele, o material da superficie, a iluminacao, as colisoes e como o objeto se comportara ao ser agarrado. A Physicl pretende transformar imagens dispersas e gravacoes lidar em cenas com geometria, materiais e propriedades fisicas definidos. Depois, uma unica cena pode ser modificada repetidamente: reposicionar a xicara, adicionar desordem, mover a fonte de luz ou ocultar parte do objeto.

Assim, o desenvolvedor recebe nao apenas mais um conjunto generico de dados, mas uma ferramenta para lidar com uma falha especifica. Se o modelo nao percebe uma xicara escura sobre uma bancada cheia de objetos, a equipe cria centenas de variacoes dessa situacao exata e as utiliza para o ajuste adicional.

Geracao de dados a pedido do modelo

A ideia mais interessante da Physicl e incorporar o gerador de cenas diretamente ao ciclo de treinamento. Um modelo ou agente de avaliacao detecta um ponto fraco e define quais exemplos estao faltando; em seguida, a plataforma cria um novo lote de dados. A SpAItial, uma das primeiras clientes da Physicl e desenvolvedora de modelos espaciais, utilizou esses materiais sinteticos para aumentar a precisao de seus sistemas 3D.

Na pratica, isso se parece com testes automatizados para o mundo fisico. A falha deixa de ser um episodio isolado: o sistema cria ao redor dela um conjunto de verificacoes com diferentes condicoes de luz, posicoes de camera e ambientes. Para equipes de robotica, isso pode encurtar o caminho entre a descoberta de uma falha e a proxima versao do modelo.

No entanto, a escala anunciada ainda e apenas um plano. A Physicl fala em carregar trilhoes de imagens, milhoes de horas de gravacoes lidar e bilhoes de variacoes de cenas, sem divulgar o custo desse processamento, a velocidade de geracao ou resultados de comparacoes independentes. Tambem nao esta claro com que precisao a fisica virtual reproduz atrito, deformacao, materiais transparentes e outras propriedades de objetos reais.

O que os desenvolvedores devem verificar

Dados sinteticos so sao uteis quando uma habilidade e transferida do simulador para um robo real. Por isso, nao basta a equipe demonstrar uma melhoria em um teste virtual. E necessario um conjunto separado de testes fisicos: os mesmos objetos, novos ambientes, cameras diferentes e condicoes que nao estavam presentes durante a geracao.

A Physicl deve ser vista como uma infraestrutura para coleta direcionada de dados, e nao como substituta de experimentos reais. Um cenario pratico funciona assim: registrar uma falha recorrente do robo, criar ao redor dela uma familia de cenas sinteticas, fazer o ajuste adicional do modelo e comparar o resultado em um conjunto inalterado de testes reais. Se o ganho persistir, o ciclo podera ser automatizado. Caso contrario, o problema provavelmente estara na qualidade da simulacao, nos sensores ou na propria arquitetura do modelo.

Para as equipes de produto, o principal sinal vai alem de uma unica startup: o mercado de robotica esta deixando a compra de conjuntos de dados estaticos e migrando para sistemas que criam exemplos de acordo com as fragilidades atuais do modelo. A Physicl recebeu US$ 10 milhoes para ocupar um lugar nesse ciclo. A empresa tera de demonstrar valor nao pelo tamanho de sua biblioteca, mas pela rapidez com que ajuda os clientes a corrigir falhas reais dos robos.