Uma pausa no jogo durante uma partida da Liga de Pequeno Porte.
Hoje, 21 de julho, as competições chegaram ao fim em um closing emocionante. No terceiro e último dos nossos artigos de resumo, fornecemos um gostinho da ação deste último dia. Se você perdeu, pode encontrar nossos dois primeiros resumos aqui: 19 de julho | 20 de julho.
Minha primeira parada esta manhã foi na Commonplace Platform League, onde o Dr. Timothy Wiley e Tom Ellis da Group RedbackBots, RMIT College, Melbourne, Austrália, demonstraram um avanço emocionante que é exclusivo de sua equipe. Eles desenvolveram um sistema de realidade aumentada (RA) com o objetivo de melhorar a compreensão e a explicabilidade da ação em campo.
A equipe viajante RedbackBots para 2024 (da esquerda para a direita: Murray Owens, Sam Griffiths, Tom Ellis, Dr. Timothy Wiley, Mark Discipline, Jasper Avice Demay). Crédito da foto: Dr. Timothy Wiley.
Timothy, o líder acadêmico da equipe, explicou: “O que nossos alunos propuseram no closing da competição do ano passado, para contribuir com a liga, foi desenvolver uma visualização de realidade aumentada (RA) do que a liga chama de monitor de comunicação da equipe. Este é um pedaço de software program que é exibido nas telas de TV para o público e o árbitro, e mostra onde os robôs acham que estão, informações sobre o jogo e onde a bola está. Nós nos propusemos a fazer um sistema de RA disso porque achamos que é muito melhor vê-lo sobreposto no campo. O que a RA nos permite fazer é projetar todas essas informações ao vivo no campo enquanto os robôs estão se movendo.”
A equipe vem demonstrando o sistema para a liga no evento, com suggestions muito positivo. Na verdade, uma das equipes encontrou um erro em seu software program durante um jogo enquanto testava o sistema de RA. Tom disse que eles receberam muitas ideias e sugestões das outras equipes para desenvolvimentos futuros. Este é um dos primeiros (se não o primeiro) sistema de RA a ser testado na competição, e a primeira vez que foi usado na Commonplace Platform League. Tive a sorte de obter uma demonstração do Tom e isso definitivamente adicionou um novo nível à experiência de visualização. Será muito interessante ver como o sistema evolui.
Mark Discipline configurando o MetaQuest3 para usar o sistema de realidade aumentada. Crédito da foto: Dr. Timothy Wiley.
Da área principal de futebol, fui para a zona RoboCupJunior, onde Rui Baptista, um membro do Comitê Executivo, me deu um tour pelas arenas e me apresentou algumas das equipes que têm usado modelos de aprendizado de máquina para auxiliar seus robôs. A RoboCupJunior é uma competição para crianças em idade escolar e é dividida em três ligas: Futebol, Resgate e OnStage.
Primeiro, conversei com quatro equipes da liga Rescue. Robôs identificam “vítimas” dentro de cenários de desastres recriados, variando em complexidade, desde seguir uma linha em uma superfície plana até negociar caminhos através de obstáculos em terrenos irregulares. Existem três vertentes diferentes na liga: 1) Rescue Line, onde robôs seguem uma linha preta que os leva a uma vítima, 2) Rescue Maze, onde robôs precisam investigar um labirinto e identificar vítimas, 3) Rescue Simulation, que é uma versão simulada da competição de labirinto.
A equipe Skollska Knijgia, que participou da Rescue Line, usou uma rede neural YOLO v8 para detectar vítimas na zona de evacuação. Eles treinaram a rede com cerca de 5000 imagens. Também competindo no evento Rescue Line estava a equipe Overengeniering2. Eles também usaram redes neurais YOLO v8, neste caso para dois elementos do sistema. Eles usaram o primeiro modelo para detectar vítimas na zona de evacuação e para detectar as paredes. O segundo modelo é utilizado durante o seguimento de linha e permite que o robô detecte quando a linha preta (usada para a maioria da tarefa) muda para uma linha prateada, o que indica a entrada da zona de evacuação.
Esquerda: Equipe Skollska Knijgia. À direita: Equipe Overengeniering2.
A equipe Tanorobo! estava participando da competição de labirinto. Eles também usaram um modelo de aprendizado de máquina para detecção de vítimas, treinando em 3000 fotos para cada tipo de vítima (elas são indicadas por letras diferentes no labirinto). Eles também tiraram fotos de paredes e obstáculos, para evitar classificação errada. A equipe New Aje estava participando da competição de simulação. Eles usaram uma interface gráfica de usuário para treinar seu modelo de aprendizado de máquina e depurar seus algoritmos de navegação. Eles têm três algoritmos diferentes para navegação, com custo computacional variável, entre os quais podem alternar dependendo do lugar (e complexidade) no labirinto em que estão localizados.
Esquerda: Equipe Tanorobo! Direita: Equipe New Aje.
Conheci duas das equipes que se apresentaram recentemente no evento OnStage. O desempenho da Group Medic foi baseado em um cenário médico, com a equipe incluindo dois elementos de aprendizado de máquina. O primeiro sendo reconhecimento de voz, para comunicação com os robôs “pacientes”, e o segundo sendo reconhecimento de imagem para classificar raios-x. O robô da Group Jam Session lê símbolos da linguagem de sinais americana e os usa para tocar piano. Eles usaram o algoritmo de detecção MediaPipe para encontrar diferentes pontos na mão e classificadores de floresta aleatórios para determinar qual símbolo estava sendo exibido.
Esquerda: Equipe Medic Bot Direita: Equipe Jam Session.
A próxima parada foi a liga humanoide, onde a partida closing estava em andamento. A enviornment estava lotada até o teto com multidões ansiosas para ver a ação.Só havia espaço para ver os humanoides em tamanho adulto.
As finais continuaram com a Center Measurement League, com o time da casa Tech United Eindhoven derrotando o BigHeroX por um placar convincente de 6-1. Você pode assistir à transmissão ao vivo da ação do último dia aqui.
A grande closing contou com os vencedores da Center Measurement League (Tech United Eindhoven) contra cinco administradores da RoboCup. Os humanos venceram por 5 a 2, com seus passes e movimentos superiores demais para a Tech United.
Centro de IA
é uma organização sem fins lucrativos dedicada a conectar a comunidade de IA ao público, fornecendo informações gratuitas e de alta qualidade sobre IA.
O AIhub é uma organização sem fins lucrativos dedicada a conectar a comunidade de IA ao público, fornecendo informações gratuitas e de alta qualidade sobre IA.
Lucy Smith é editora-chefe da AIhub.