Um cachorro correndo consegue transformar uma passagem estreita em um obstáculo quase trivial. Ele calcula a aproximação, ajusta o corpo, recolhe as patas e atravessa o espaço em poucos instantes. Reproduzir essa agilidade em máquinas, porém, é uma tarefa muito mais complexa.
Agora, pesquisadores desenvolveram um sistema de aprendizado robótico inspirado nos movimentos de cães que permite a um robô quadrúpede correr em direção a uma abertura, decidir quando saltar e atravessá-la durante a fase aérea.
O resultado aproxima máquinas de uma capacidade natural dos animais: adaptar o corpo rapidamente diante de obstáculos sem precisar de uma sequência de movimentos programada manualmente.
A corrida termina no ar
O experimento foi realizado com o Aliengo, um robô quadrúpede de aproximadamente 22 quilos equipado com uma câmera RGB-D. O sistema identifica uma abertura e, a partir das informações visuais, calcula como deve se aproximar dela.
Em vez de receber instruções detalhadas para cada articulação, o robô trabalha com comandos relativamente simples relacionados à velocidade de avanço e à rotação do corpo.
Siga o canal do Fala Ciência no WhatsApp para receber nossos conteúdos em primeira mão!
Entrar no Canal do WhatsAppIsso permite que a máquina acelere, ajuste sua trajetória e execute o salto de maneira dinâmica. Durante a passagem, suas pernas são recolhidas para diminuir a chance de tocar nas bordas.
O detalhe mais interessante é que os pesquisadores não precisaram programar manualmente toda a sequência do salto.
Um cachorro virou referência para o aprendizado
A técnica utiliza aprendizado por imitação, alimentado por dados de movimentos de um cão. O conjunto inclui diferentes formas de locomoção, como caminhada, trote, curvas e saltos.
Uma rede neural avalia os movimentos produzidos pelo robô e verifica quanto eles se aproximam dos padrões observados no animal. Dessa maneira, a máquina aprende uma espécie de repertório motor que pode ser utilizado posteriormente em diferentes situações.
A estrutura possui ainda um controlador de nível superior, responsável por decidir como utilizar essas habilidades diante do ambiente.
Essa separação é importante porque evita que o sistema precise aprender novamente todos os movimentos básicos sempre que surge um novo desafio.
O robô não decorou um único caminho
Um dos resultados mais interessantes apareceu quando os pesquisadores modificaram a posição das aberturas.
O robô conseguiu adaptar sua estratégia de acordo com a situação. Quando havia uma passagem maior, por exemplo, podia utilizar uma corrida mais longa e realizar movimentos articulares mais amplos. Quando a abertura estava deslocada para um dos lados, conseguia ajustar a trajetória e atravessá-la em diagonal.
A capacidade de adaptação também foi observada quando o obstáculo era movimentado enquanto o robô já estava correndo.
Nesse cenário, o sistema precisava recalcular rapidamente a aproximação, em vez de simplesmente repetir uma trajetória previamente armazenada.
Estudo mostra como a agilidade pode ser transferida para máquinas
O trabalho foi publicado na revista Advanced Robotics Research, com Zeren Luo como primeiro autor. O artigo foi publicado em 2025 e apresenta a técnica aplicada em hardware real, não apenas em simulações.
A proposta combina um controlador de baixo nível, responsável pelos movimentos, com um módulo superior que escolhe como agir diante do obstáculo. Segundo os resultados apresentados, o treinamento do componente de decisão levou cerca de seis horas.
Mais importante, a biblioteca de movimentos aprendida pode ser reaproveitada. Com mudanças no módulo responsável pelas decisões, o mesmo repertório motor pode ser direcionado para tarefas como pular obstáculos, ultrapassar cercas ou atravessar vãos.
Veja também:
De cães ágeis a robôs em ambientes perigosos
A tecnologia pode ter aplicações além de demonstrações em laboratório. Robôs capazes de tomar decisões rápidas e executar movimentos dinâmicos poderiam ser úteis em locais onde máquinas com rodas encontram dificuldades.
Entre os possíveis cenários estão estruturas industriais, áreas de difícil acesso e locais atingidos por desastres, nos quais obstáculos podem aparecer de maneira irregular.
Ainda existem limitações. O sistema utilizado no estudo depende de dados de captura de movimento e os pesquisadores pretendem fazer com que o robô execute essas tarefas usando principalmente os sensores já instalados na própria máquina.
Mesmo assim, o experimento mostra uma direção promissora para a robótica: em vez de ensinar cada movimento separadamente, é possível criar um repertório inspirado nos animais e deixar a inteligência artificial decidir quando e como utilizá-lo.
