Para serem implantados com sucesso em larga escala e em uma ampla gama de cenários do mundo real, os robôs devem ser capazes de ajustar rapidamente seus movimentos enquanto interagem com humanos e seus arredores, respondendo a mudanças em seu ambiente. Muitos robôs desenvolvidos até agora, no entanto, têm desempenho significativamente melhor em ambientes controlados, enquanto muitas vezes têm dificuldades em cenários não estruturados.

Pesquisadores da Universidade de Granada, na Espanha, e da EPFL, na Suíça, desenvolveram recentemente uma nova solução de controle inspirada na neuromecânica, especificamente na ação integrativa do sistema nervoso central e na biomecânica do corpo humano.

O sistema de controle proposto, descrito em um artigo publicado na Science Robotics , modula a rigidez dos robôs, melhorando a precisão de seus movimentos e aumentando sua adaptabilidade às mudanças no ambiente.

"Nosso artigo recente surgiu de uma colaboração interessante durante a fase final do principal projeto da UE, o Projeto Cérebro Humano (HBP)", disse Niceto R. Luque, autor sênior do artigo, ao Tech Xplore.

"Tivemos a oportunidade de trabalhar em estreita colaboração com o Biorobotics Lab na EPFL (Suíça), liderado pelo Professor Auke Ijspeert, cujo trabalho de ponta em estruturas de simulação muscular influenciou nossa pesquisa. Inspirados por como os músculos humanos operam em pares (a chamada relação agonista-antagonista), focamos em como a cocontração muscular ajusta dinamicamente a rigidez."

O principal objetivo do estudo recente de Luque e seus colegas foi desenvolver uma nova solução de controle inspirada na biomecânica que supere as limitações dos paradigmas convencionais de controle de impedância/admissão que sustentam os movimentos de robôs industriais. A solução que eles desenvolveram se inspira nos mecanismos naturais por meio dos quais os humanos aprendem a adaptar seus movimentos a mudanças em ambientes complexos e imprevisíveis.

"Abordagens de controle tradicionais frequentemente dependem de formulações matemáticas altamente complexas para gerenciar trocas de força entre um humano e um robô (ou entre robôs)", disse Luque. "Por outro lado, nossa estratégia imita a cocontração muscular humana para modular a rigidez diretamente, eliminando a necessidade de soluções de hardware caras para determinar a força trocada e evitando a necessidade de formulações dinâmicas intrincadas.

A solução de controle de robô inspirada na neuromecânica desenvolvida por esses pesquisadores tem dois componentes principais, que imitam os sistemas que permitem aos humanos controlar e adaptar seus movimentos. O primeiro desses componentes é um modelo muscular, enquanto o segundo é uma chamada rede cerebelar.

Como sugerido pelo seu nome, o modelo muscular é projetado para replicar os mecanismos que sustentam o movimento dos músculos humanos. Este modelo espelha especificamente o fato de que os músculos humanos trabalham em pares, usando um processo conhecido como "cocontração".

"Em termos simples, quando músculos opostos se contraem juntos, eles ajustam a rigidez de uma articulação", explicou Luque. "Isso permite que o robô altere a rigidez ou flexibilidade de seus movimentos de acordo com a tarefa em questão — muito parecido com a forma como você pode contrair seus músculos quando precisa de precisão ou relaxá-los para se mover mais livremente. Essa capacidade de modular a rigidez é crucial para lidar com tarefas delicadas e absorver forças inesperadas."

O segundo componente da solução de controle da equipe, complementando o modelo muscular, é a chamada rede cerebelar. Este é um sistema projetado para imitar a função do cerebelo humano, uma região do cérebro responsável por ajustar os movimentos das pessoas e adaptá-los com base no feedback originado tanto do corpo quanto do ambiente.

"Ao incluir essa rede adaptativa, o robô pode aprender com suas experiências e ajustar suas ações — e, mais importante, sua cocontração e rigidez — quando confrontado com novas tarefas ou situações imprevisíveis", disse Luque. "Isso significa que ele não depende somente de instruções pré-programadas ou equações matemáticas complexas para operar. No geral, nossa solução fornece ao cobot uma forma de 'memória muscular' e a capacidade de aprender e se adaptar muito como um humano."

Luque e seus colegas avaliaram sua solução de controle em uma série de testes e suas descobertas foram altamente promissoras. Especificamente, eles mostraram que o mecanismo de cocontração modulava a rigidez dos robôs e sua precisão de desempenho, aumentando sua resiliência contra perturbações externas.

"Descobrimos que, similar ao aprendizado humano, o treinamento sob condições de baixa cocontração resulta em menor rigidez", explicou Luque.

"Embora o aprendizado nessas condições seja mais desafiador para o cerebelo, ele permite uma operação eficaz sob maior cocontração sem treinamento adicional. Isso indica uma clara preferência pelo aprendizado motor sob condições de baixa cocontração, o que reduz o tempo de treinamento e ajuda a prevenir o desgaste."

Embora aprender sob baixa cocontração seja mais desafiador para o cerebelo, ele permite uma operação eficaz sob alta cocontração, sem exigir treinamento específico. A solução da equipe, portanto, permite que seu controlador se adapte à baixa cocontração, alternando subsequentemente para comportamentos de cocontração mais altos se uma rigidez maior for necessária.

"O fato de não precisarmos treinar o cerebelo para todos os cenários possíveis de cocontração reduz significativamente o tempo necessário para o treinamento, minimizando assim o desgaste", disseram Luque e Ignacio Abadia.

"Nós também fornecemos rigidez variável com base em software sem necessitar da adição de hardware específico ao robô, ou seja, não necessitamos de sensores de força de contato nem sensores de torque, simplificando assim nossa implementação neuromecânica em diversos robôs. Essa capacidade é crucial para robôs que precisam operar em ambientes imprevisíveis e interagir com segurança com humanos."

"Atualmente, estamos aprimorando a capacidade de aprendizado do nosso controlador cerebelar aumentando sua adaptabilidade e versatilidade", disse Luque. "Para conseguir isso, estamos adotando métodos de IA mais tradicionais com base em sinais analógicos em redes neurais artificiais convencionais, e estamos integrando-os com redes neurais de pico que usam sinais baseados em eventos."

A integração de técnicas convencionais de IA pode permitir que o controlador da equipe aproveite totalmente o poder computacional das GPUs mais avançadas do mercado, aumentando assim seu desempenho em tempo real. Para avançar na aplicação de sua solução de controle, os pesquisadores também estão trabalhando em um novo sistema robótico que integra um mecanismo de cocontração mecânica.

"Os cobots atuais, que normalmente têm um único motor no final do atuador, exigem que a co-contração seja implementada antes do atuador final", acrescentou Luque. "Com este novo desenvolvimento, disponibilizaremos uma co-contração integrada. Este arranjo inovador visa transformar a forma como os cobots são construídos para facilitar melhor a interação humano- robô ."

Mais informações: Ignacio Abadía et al, Uma solução neuromecânica para conformidade e precisão de robôs ajustáveis, Science Robotics (2025). DOI: 10.1126/scirobotics.adp2356

Informações do periódico: Science Robotics