A primeira semana de julho de 2025 testemunhou um avanço significativo em inteligência artificial e robótica, à medida que pesquisadores demonstraram máquinas com habilidades inéditas de antecipar movimentos e ajustar estratégias em ambientes dinâmicos.
No centro desse avanço está o ANYmal-D, um robô quadrúpede desenvolvido pela ETH Zurich capaz de jogar badminton autonomamente contra oponentes humanos. O robô emprega um sistema de controle inovador baseado em aprendizado por reforço, que lhe permite rastrear, prever e devolver o volante com habilidade. Seu "cérebro" sofisticado possibilita acompanhar a trajetória do volante, antecipar seu caminho e se mover rapidamente pela quadra para interceptá-lo e devolvê-lo. Essa conquista, detalhada na revista Science Robotics, demonstra o potencial de robôs com pernas para tarefas dinâmicas que exigem percepção precisa e respostas corporais rápidas.
O robô é equipado com uma câmera estéreo para percepção visual e um braço dinâmico para manejar a raquete de badminton, exigindo sincronização precisa entre percepção, locomoção e movimentos do braço. Os pesquisadores treinaram o sistema utilizando aprendizado por reforço, permitindo que o robô desenvolvesse estratégias eficazes por meio de experimentação e interação com o ambiente. Em testes contra jogadores humanos, o ANYmal-D demonstrou capacidade de se movimentar eficientemente pela quadra, devolvendo jogadas em diferentes velocidades e ângulos, e sustentando trocas de até 10 rebatidas consecutivas.
Essa inovação representa mais do que uma curiosidade tecnológica. O robô quadrúpede utiliza visão, dados de sensores e aprendizado de máquina para antecipar movimentos e ajustar sua estratégia, apontando para o futuro da colaboração entre humanos e robôs em esportes e treinamentos. O projeto combina robótica física com raciocínio avançado de IA, abrindo novas possibilidades para máquinas que possam trabalhar ao lado de humanos em ambientes complexos e imprevisíveis.
Roboticistas alcançaram grandes avanços em como robôs aprendem e se adaptam. Um dos principais progressos envolve a combinação de diferentes tipos de dados para torná-los úteis aos robôs. Por exemplo, pesquisadores podem coletar dados de humanos realizando tarefas enquanto usam sensores, combinar com dados de teleoperação de humanos controlando braços robóticos e complementar com imagens e vídeos da internet de pessoas realizando ações semelhantes. Ao fundir essas fontes de dados em novos modelos de IA, os robôs ganham uma vantagem significativa em relação aos treinados por métodos tradicionais. Ver múltiplas formas de realizar uma mesma tarefa facilita para os modelos de IA improvisarem e determinarem os próximos passos adequados em situações do mundo real. Isso representa uma mudança fundamental na forma como robôs aprendem.
Esse é um aspecto importante da manufatura com IA atualmente. Avanços em aprendizado por reforço permitiram que robôs físicos tomem decisões e executem tarefas físicas complexas, desde pendurar camisetas em cabides até preparar massa de pizza. Essa fusão de IA generativa e robótica expandiu radicalmente as aplicações potenciais nos negócios, saúde, educação e entretenimento, sugerindo um futuro em que máquinas inteligentes se integrem perfeitamente ao nosso cotidiano.