A simulação foi durante muito tempo o terreno de provas dos robôs que aprendem a andar, rolar ou saltar. Agora serve também para ensinar tarefas que exigem mais precisão, como alinhar engrenagens, ligar cabos e montar pequenos componentes. Esta passagem da locomoção para a manipulação esteve em destaque na Conference on Robot Learning (CoRL), realizada esta semana em Austin, no Texas, a par da ascensão da robótica agêntica, apresentada como um novo paradigma que integra agentes de fronteira para criar código interpretável para sistemas robóticos físicos. A NVIDIA apresentou no evento novas tecnologias abertas para robótica, incluindo modelos de ação mundial, ferramentas de simulação, benchmarks e fluxos de trabalho agênticos.
Duas investigações da NVIDIA estão entre seis finalistas aos prémios de melhor artigo da conferência, numa seleção feita a partir de milhares de submissões. A primeira, GRAIL, descreve um pipeline de geração digital de recursos 3D e de cenas prontas para simulador. A segunda, RoboTTT, apresenta um modelo e uma receita de treino que, segundo a descrição do próprio artigo, ampliam o contexto visuomotor em três ordens de grandeza face às políticas mais avançadas, sem aumentar a latência de inferência. A empresa refere ainda trabalho conjunto com parceiros como Bosch Research, Siemens, Skild AI, Dyna Robotics e a Universidade de Washington.
O GR00T 2 é apresentado pela NVIDIA como um modelo de ação mundial aberto, de fronteira, construído sobre a plataforma Cosmos. Foi treinado com dados de robôs e de humanos, incluindo 100 mil horas de dados egocêntricos humanos que a empresa disponibiliza como código aberto. Segundo os números divulgados, o modelo concluiu 40 de 50 tarefas avaliadas pelo menos uma vez sem demonstrações específicas, e atingiu 71% de sucesso médio em 50 tarefas com uma única demonstração por tarefa, subindo para 95% com cinco. Trata-se de alegações do fabricante, não de avaliações independentes.
Na componente de simulação, o Isaac Lab 3.0 permite aos investigadores usar agentes para configurar ambientes de treino, alternar entre os motores físicos PhysX e Newton, escolher renderizadores para treino com perceção e aplicar uma nova biblioteca de pós-treino por aprendizagem por reforço a modelos como o GR00T. A integração com o Newton, um motor físico de código aberto, passa a permitir simular objetos deformáveis, como cabos e tecidos, e sistemas articulados complexos, como mãos robóticas com muitas articulações. A empresa mostrou ainda uma simulação da deformação de um morango.
Entre as aplicações citadas, a Nexuni testa o modelo no manuseamento de roupa, a Foxconn aplica-o à automação de fábricas de servidores e a Siemens avalia-o em diversos casos industriais. A MicroAGI usou o GR00T 2, pós-treinado por aprendizagem por reforço, para trocar cabos Ethernet com um braço robótico YAM, com ambientes de simulação criados e calibrados automaticamente. Estes exemplos vêm do fabricante e ainda não permitem avaliar a robustez destas soluções em produção.
A passagem de demonstrações de laboratório para tarefas industriais exige precisão, adaptabilidade e capacidade de aprender com as falhas, competências que a NVIDIA afirma querer apoiar com estas ferramentas. Os resultados apresentados vêm do próprio fabricante e dos seus parceiros, e a distância entre um benchmark e uma linha de produção continua a ser grande. Uma avaliação feita por terceiros será o teste decisivo para perceber até onde estas soluções conseguem chegar fora do laboratório.
Porque importa
A transição da locomoção para a manipulação aproxima a robótica de aplicações industriais, onde a precisão e a adaptabilidade são exigências centrais. Os resultados citados são sobretudo do fabricante, pelo que a validação independente será decisiva para medir o impacto real destas ferramentas.