A equipe de robótica da DeepMind, do Google, está exibindo um robô jogador de tênis de mesa que alcançou um nível amador sólido quando comparado a oponentes humanos.
Em um estudo recém-publicado intitulado “Achieving Human Level Competitive Robot Table Tennis” (Alcançando Tênis de Mesa de Robôs Competitivos de Nível Humano), os pesquisadores demonstraram que o robô conseguiu vencer todos os jogadores iniciantes e 55% dos jogadores intermediários.
No entanto, ele ainda não está pronto para enfrentar profissionais, tendo perdido todas as partidas contra jogadores avançados.
No total, o robô venceu 45% dos 29 jogos disputados.
Desempenho e deficiência do robô da DeepMind
A publicação destaca que:
“Este é o primeiro agente robô capaz de praticar um esporte com humanos em nível humano e representa um marco no aprendizado e controle de robôs. No entanto, também é apenas um pequeno passo em direção a uma meta de longa data na robótica de atingir desempenho de nível humano em muitas habilidades úteis do mundo real.”
O sistema da DeepMind apresenta deficiências, especialmente na capacidade de reagir a bolas rápidas.
Os principais fatores limitantes incluem a latência do sistema, reinicializações obrigatórias entre tacadas e a falta de dados úteis.
Para superar esses desafios, os pesquisadores sugerem investigar algoritmos de controle avançados e otimizações de hardware, incluindo modelos preditivos para antecipar trajetórias de bolas e protocolos de comunicação mais rápidos entre sensores e atuadores do robô.
Outros aspectos a serem melhorados incluem a capacidade de lidar com bolas altas e baixas, realizar backhand e ler o spin da bola que se aproxima.
Essas melhorias não só beneficiarão o desempenho do robô no tênis de mesa, mas também contribuirão para avanços na robótica em geral, aprimorando a interação segura e habilidosa dos robôs com humanos em diversas tarefas do mundo real.
Embora a utilidade imediata do robô jogador de tênis de mesa seja limitada, a pesquisa da DeepMind tem implicações mais amplas para a robótica.
A arquitetura de políticas, o uso de simulação para treinar o robô em jogos reais e a capacidade de adaptação de estratégias em tempo real são componentes valiosos que podem ser aplicados em outros contextos robóticos.
Com esses avanços, a DeepMind continua a expandir os limites do que é possível na robótica, trazendo-nos um passo mais perto de robôs capazes de desempenhar múltiplas tarefas úteis de maneira eficaz e segura.