A primeira semana de julho de 2025 testemunhou um avanço significativo na inteligência artificial e na robótica, com investigadores a demonstrarem máquinas dotadas de capacidades inéditas para antecipar movimentos e ajustar estratégias em ambientes dinâmicos.
No centro deste progresso está o ANYmal-D, um robô quadrúpede desenvolvido pela ETH Zurique que consegue jogar badminton de forma autónoma contra adversários humanos. O robô utiliza um sistema de controlo inovador baseado em aprendizagem por reforço, que lhe permite seguir, prever e devolver o volante com destreza. O seu "cérebro" sofisticado permite-lhe acompanhar a trajetória do volante, antecipar o seu percurso e deslocar-se rapidamente pelo campo para o intercetar e devolver. Esta conquista, detalhada na revista Science Robotics, demonstra o potencial de utilização de robôs com pernas em tarefas dinâmicas que exigem perceção precisa e respostas rápidas de corpo inteiro.
O robô está equipado com uma câmara estéreo para perceção visual e um braço dinâmico para segurar a raquete de badminton, exigindo uma sincronização precisa entre perceção, locomoção e movimentos do braço. Os investigadores treinaram o sistema através de aprendizagem por reforço, permitindo ao robô desenvolver estratégias eficazes através da experimentação e interação com o ambiente. Em testes contra jogadores humanos, o ANYmal-D demonstrou capacidade para se movimentar eficazmente pelo campo, devolver remates a diferentes velocidades e ângulos e manter trocas de até 10 remates consecutivos.
Este avanço representa mais do que uma simples curiosidade tecnológica. O robô quadrúpede recorre à visão, dados de sensores e aprendizagem automática para antecipar movimentos e ajustar a sua estratégia, mostrando o futuro da colaboração entre humanos e robôs no desporto e na formação. O projeto alia robótica física a raciocínio avançado de IA, abrindo novas possibilidades para máquinas que possam trabalhar ao lado de humanos em ambientes complexos e imprevisíveis.
Os roboticistas alcançaram avanços importantes na forma como os robôs aprendem e se adaptam. Um dos progressos-chave envolve a combinação de diferentes tipos de dados para os tornar úteis aos robôs. Por exemplo, os investigadores podem recolher dados de humanos a executar tarefas enquanto usam sensores, combiná-los com dados de teleoperação de humanos a controlar braços robóticos e complementar com imagens e vídeos da internet de pessoas a realizar ações semelhantes. Ao fundir estas fontes de dados em novos modelos de IA, os robôs ganham uma enorme vantagem face aos métodos tradicionais de treino. Ver várias formas de realizar uma tarefa facilita a improvisação dos modelos de IA e a determinação dos próximos passos adequados em situações reais. Isto representa uma mudança fundamental na forma como os robôs aprendem.
Este é um aspeto significativo da manufatura com IA atualmente. Os avanços na aprendizagem por reforço permitiram que robôs físicos tomem decisões e executem tarefas físicas complexas, desde pendurar t-shirts em cabides até preparar massa de pizza. Esta fusão entre IA generativa e robótica expandiu radicalmente as aplicações potenciais nos negócios, saúde, educação e entretenimento, sugerindo um futuro onde máquinas inteligentes se integram de forma fluida no nosso quotidiano.