Uma bicicleta consegue se equilibrar sozinha, sem ninguém pedalando, e ainda saltar sobre uma plataforma de 1 metro de altura? Sim, se ela for o novo robô do Robotics and AI Institute (RAI Institute). Batizada de Ultra Mobility Vehicle (UMV), a máquina empina, salta, pula de lado e chega a dar mortais para frente.
Por enquanto, as demonstrações ocorreram em laboratório, com câmeras externas ajudando o robô a saber onde está. Mesmo assim, o projeto mostra uma forma mais simples de unir a velocidade das rodas à agilidade de robôs com pernas.
O UMV pesa 23,5 quilos, mais ou menos o peso de uma criança de seis anos, e alcança 8 metros por segundo, cerca de 29 km/h. Para fazer tudo isso, ele usa só cinco graus de liberdade acionados, ou seja, cinco movimentos independentes comandados por motores. Robôs com pernas costumam precisar de muitos mais.
Uma cabeça pesada que funciona como contrapeso
À primeira vista, o robô parece uma bicicleta com um apêndice estranho. Ele tem três partes principais: uma cabeça, um pescoço e o quadro da bicicleta. A diferença está na cabeça, que concentra a maior parte da massa, incluindo computador, baterias e os potentes atuadores usados nos saltos.
Essa cabeça funciona como uma massa de reação móvel. Pense em um ciclista que joga o corpo para trás para levantar a roda dianteira: ao deslocar o peso, ele muda o equilíbrio da bicicleta inteira. O UMV faz o mesmo, só que movendo a cabeça.
Quem conecta a cabeça ao quadro é um conjunto articulado formado pelo pescoço e por duas hastes chamadas tirantes. Dois atuadores comandam o movimento principal, enquanto outros dois agem pelos tirantes para inclinar a cabeça para os lados. Esses mecanismos ajudam a gerar a força dos saltos e a manter o robô equilibrado sobre uma única roda.
Os dois motores restantes cuidam do que qualquer bicicleta faz: virar o guidão e girar a roda traseira. Não há rodas de inércia, apoios laterais nem descanso para ficar parado. Todo o equilíbrio vem do controle ativo.
Treinado em simulação, o robô aprendeu a dar mortais
Como ensinar uma máquina a empinar sem quebrá-la a cada tombo? A equipe recorreu ao aprendizado por reforço, técnica em que a inteligência artificial aprende por tentativa e erro, recebendo uma espécie de “recompensa” quando acerta, mais ou menos como se treina um cachorro com petiscos.
Todo esse treino aconteceu em um ambiente virtual, o NVIDIA Isaac Lab, com o algoritmo conhecido como Proximal Policy Optimization. Durante as simulações, os pesquisadores variaram de propósito a distribuição de massa, o atrito, a força dos motores, os atrasos de controle e o ruído dos sensores.
Essa estratégia, chamada de randomização de domínio, funciona como treinar um motorista em pistas secas, molhadas e esburacadas antes de mandá-lo para a rua. A ideia é ajudar as políticas aprendidas a lidar com as diferenças entre o mundo virtual e o real.
Os cientistas criaram quatro políticas de controle, uma para cada tipo de tarefa: dirigir, empinar e saltitar, dar mortais e pular. Elas enviam comandos a controladores mais simples que ajustam as articulações. Os comportamentos passaram da simulação para o robô de verdade sem nenhum treino adicional.
Na prática, o UMV anda para frente e para trás equilibrado, gira no próprio eixo sobre a roda traseira e consegue ficar quase parado, na manobra que ciclistas chamam de track stand. Ao saltitar só na roda de trás, ele ainda se desloca para os lados, superando as limitações de direção de veículos com rodas convencionais.
Em um dos testes, o robô se aproximou sozinho de uma plataforma de 1 metro de altura, saltou para cima dela, atravessou a superfície e pulou de volta ao chão. A sequência foi repetida 15 vezes, com trajetórias de subida muito parecidas entre si.
O mortal para frente é o número mais impressionante. O robô salta e encolhe o corpo, como um ginasta que abraça os joelhos para girar mais rápido. Sua velocidade de rotação chegou a cerca de 17 radianos por segundo, quase três voltas completas por segundo, e a pirueta inteira, com aterrissagem, durou menos de meio segundo.
Há, porém, uma limitação importante. Os pesquisadores testaram o sistema em laboratório com equipamentos de captura de movimento, câmeras que rastreiam a posição do robô com precisão e o ajudam a estimar o próprio estado.
A equipe enxerga aplicações em entregas urbanas e em missões de reconhecimento de longa distância em terrenos acidentados, onde velocidade e capacidade de vencer obstáculos fazem diferença. Os próximos passos incluem um hardware mais robusto, baterias e controladores de motor melhores e sensores embarcados que reduzam a dependência das câmeras externas.
