MIT ensina robô a generalizar restrições humanas: atualizar as regras leva cerca de 5 segundos

Um robô transporta café de um lado para o outro de uma mesa. Você percebe um notebook no caminho e diz: “Não derrame no computador”. Mas também há um celular ali perto. Ter que explicar separadamente que ele também não pode ser encharcado é bastante cansativo. Para quem desenvolve um robô doméstico, esse é um problema concreto de produto: quantas regras o usuário precisa enumerar até que o assistente se torne prático de usar?

Pesquisadores do MIT e da Universidade de Nova York propuseram o FLEX, um sistema que extrai uma regra mais geral desse tipo de orientação e altera o plano de movimento. No exemplo do café, a restrição se estende aos eletrônicos. O ciclo completo de atualização leva cerca de cinco segundos. Por enquanto, a abordagem foi testada em um braço robótico virtual: os resultados apontam um caminho para o desenvolvimento, mas ainda não demonstram confiabilidade dentro de uma casa.

Como uma orientação se transforma em regra

O FLEX funciona em três etapas. Primeiro, o sistema acrescenta aquilo que a pessoa apontou à sua lista de características relevantes para a tarefa. Se o robô estiver transportando uma bola de boliche e receber a orientação “Não deixe cair na minha caneca”, a caneca passa a ser um objeto que precisa ser considerado na escolha da trajetória.

Essa etapa, por si só, já é conhecida na robótica. O inconveniente é que a lista de restrições individuais cresce aos poucos. O usuário precisa apontar cada vez mais objetos, enquanto algumas restrições anteriores perdem o sentido quando o ambiente muda.

Na segunda etapa, entra em cena um modelo de linguagem. O estudo usou o GPT-4o. Ele analisa os objetos indicados pela pessoa e propõe uma generalização: por exemplo, proteger itens frágeis. Assim, o robô pode levar em conta outros objetos dessa categoria, mesmo que o usuário não os tenha mencionado.

A terceira etapa mantém a lista atualizada. A visão computacional identifica quais objetos já não estão no ambiente, e o sistema os retira da lista de objetos considerados. Isso ajuda o planejador a trabalhar com a situação atual.

A maneira como esses componentes se conectam é importante. O modelo de linguagem ajuda a formular uma restrição, a visão avalia o ambiente e o planejador calcula o movimento. Para um engenheiro, o valor está justamente nessa forma de vincular uma correção feita em linguagem natural a uma mudança concreta de comportamento.

O que foi testado e o que ainda não sabemos

Os autores descreveram três tarefas em simulação: transportar uma xícara de café, uma vela e uma bola de boliche. Os voluntários digitavam os comandos. Em resposta, o sistema levava em conta tanto a restrição específica quanto uma categoria mais ampla: eletrônicos, materiais inflamáveis ou objetos frágeis.

Esses exemplos explicam bem a proposta, mas os resultados têm limitações importantes. O material fornecido não apresenta taxas de sucesso, comparações da frequência de erros nem dados sobre o funcionamento de um robô físico. Portanto, não é possível concluir que o FLEX já torne os manipuladores domésticos mais seguros em uma proporção mensurável.

Os cinco segundos também precisam ser interpretados corretamente: esse é o tempo necessário para todo o ciclo de três etapas descrito. Não se trata de uma latência declarada de parada de emergência. Se uma xícara já estiver caindo, a publicação não permite concluir que o FLEX conseguirá evitar o acidente a tempo.

Há também uma questão sobre as próprias generalizações. Uma pessoa pode pedir que uma caneca específica seja protegida por seu valor pessoal, e não por sua fragilidade. Essa é uma possível ambiguidade da abordagem; o texto fornecido não explica como o sistema esclarece essas intenções nem como corrige suposições equivocadas.

O que desenvolvedores e gestores de produto podem aproveitar

A ideia prática do FLEX é reduzir a necessidade de explicações repetidas ao adaptar um robô a uma pessoa. Em vez de uma longa lista de exceções, o usuário faz uma breve correção, da qual o sistema extrai uma regra para situações semelhantes. Isso é especialmente interessante para assistentes domésticos, que precisarão trabalhar entre objetos variados e considerar as diferentes preferências dos proprietários.

Para um protótipo, é útil separar três tarefas: extrair uma preferência de uma frase, verificar sua aplicação ao ambiente e alterar a trajetória. Essa arquitetura permite identificar separadamente onde ocorreu um erro: o modelo entendeu mal a pessoa, a visão confundiu um objeto ou o planejador escolheu um caminho inadequado.

A próxima questão de produto é como mostrar à pessoa a regra inferida e permitir que ela a corrija. Essa é uma conclusão derivada da arquitetura do FLEX, e não um resultado validado pelo estudo. Mas é justamente aqui que se abre o caminho entre uma demonstração impressionante com café e um assistente cujo comportamento o usuário possa compreender e ajustar.