Por que humanoides têm dificuldade em agarrar objetos em movimento: desenvolvendo VLA para ambientes dinâmicos

A maioria das demonstrações robóticas hoje ocorre em ambientes estáticos, com iluminação estável e câmeras fixas, onde os modelos VLA (Visão-Linguagem-Ação) têm bom desempenho. No entanto, tarefas do mundo real frequentemente envolvem objetos em movimento, como itens em uma esteira transportadora. Quando um robô humanóide de tamanho real interage com objetos em movimento, ele também precisa andar e manter o equilíbrio, o que complica os cálculos de movimento. Os principais desafios incluem latência entre observação e ação, trechos de ação desatualizados e a incapacidade de determinar a velocidade do objeto a partir de uma única imagem. Modelos recentes como o DynamicVLA abordam esses problemas atualizando as ações com mais frequência e considerando o tempo. Para humanóides, o controle de corpo inteiro é essencial, pois os movimentos dos braços afetam o equilíbrio do tronco. A arquitetura RLDX-1 processa múltiplos fluxos de informação (movimento, memória, física, ação) para melhorar a manipulação dinâmica. Na MTS Web Services, o autor está adaptando o RLDX-1 para controlar o humanóide Unitree G1, visando a captura dinâmica de corpo inteiro de itens em esteira, tratando a tarefa como um ciclo fechado: observar, prever, interceptar, executar, verificar, corrigir.