13/07/2021 - Pesquisadores de robótica da NVIDIA e da University of Southern California (USC) anunciaram hoje o primeiro simulador diferenciável para corte robótico, ou DiSECt. Este novo simulador pode prever as forças que atuarão na faca enquanto ela empurra e corta materiais macios como frutas e legumes. Sua primeira reação pode ser: por que eles precisam de toda essa ciência do simulador quando você pode simplesmente instalar uma lâmina afiada em um braço robótico e esmagá-lo?
Essa é certamente uma solução, mas parte do motivo pelo qual pesquisadores de robôs como NVIDIA, Sony e Panasonic trabalham com comida é porque a comida tem formato estranho, tem texturas diferentes e é delicada. Se um robô pode trabalhar com sucesso com objetos macios como comida, ele pode levar essas técnicas para outras aplicações como cirurgia (onde mergulhar facas é desaprovado).
Cortar alimentos com precisão e cuidado é bastante complexo. Requer feedback, adaptação, controle de movimento e configuração de parâmetros à medida que a faca percorre o objeto. Além disso, como cada pedaço de fruta ou vegetal é único, o robô precisa ajustar seu corte a cada novo objeto.
A NVIDIA compartilhou conosco uma visão avançada de um artigo explicando a pesquisa DiSECt que foi apresentada recentemente na conferência 2021 Robotics: Science and Systems (RSS). Não vou mentir, é denso e cheio de jargões com parágrafos como este:
O DiSECt implementa o Método dos Elementos Finitos (FEM) comumente usado para simular materiais deformáveis, como alimentos. O objeto a ser cortado é representado por uma malha 3D que consiste em elementos tetraédricos. Ao longo da superfície de corte cortamos a malha seguindo o algoritmo do nó virtual [4]. Este algoritmo duplica os elementos de malha que cruzam a superfície de corte e adiciona vértices adicionais chamados “virtuais” nas arestas onde esses elementos são cortados. Os nós virtuais adicionam graus extras de liberdade para simular com precisão a dinâmica de contato da faca quando ela pressiona e corta a malha.
Leia também - O novo teto solar da Tesla será tão barato quanto um telhado de telha
Mas, em vez de se concentrar nas especificidades da pesquisa, existem algumas conclusões mais amplas que qualquer pessoa da tecnologia de alimentos pode apreciar. Primeiro, DiSECt ilustra a importância contínua da simulação e dados sintéticos no treinamento de robôs. A NVIDIA construiu uma cozinha como campo de treinamento para seus robôs, onde usa dados sintéticos e simulação computadorizada para ensinar virtualmente a um robô tarefas como identificar e pegar uma caixa de Cheeze-Its. Da mesma forma, o DiSECt treina um robô para usar uma faca primeiro por meio de simulação, que pode ser aplicada ao objeto de corte no mundo real.
Além disso, dar aos robôs habilidades adicionais os tornará mais úteis para assumir tarefas perigosas, como cortes repetitivos. No momento, robôs em restaurantes estão fritando alimentos e até fazendo pizzas, mas não estão realizando tarefas mais altamente qualificadas e precisas, como cortar e fatiar. Um robô não pode se machucar durante o corte e pode trazer mais segurança para as cozinhas dos restaurantes.
A boa notícia para os interessados nesse tipo de pesquisa de ponta é que a NVIDIA e a USC não são as únicas empresas que trabalham nesse campo. Em 2019, pesquisadores da Iowa State University publicaram um artigo semelhante sobre os meandros do fatiamento de robôs.
Fonte: https://thespoon.tech/