Robôs com inteligência artificial aumentam as fronteiras da exploracao espacial

A exploracao espacial está passando por uma transformação impulsionada pelos avanços da robótica e da inteligência artificial (AI). Tarefas recentes mostram que os veículos mandados a outros planetas estao progressivamente preparados pra percorrer terrenos desconhecidos e realizar missoes científicas com menas intervenção humana. Essa capacidade é essencial em Marte, onde a distância da Terra impede o Gamepad remoto em tempo real.

Como os sinais de rádio levam diversos minutos pra viajar entre os dois planetas, os engenheiros necessitam desenvolver sistemas inteligentes que permitam aos robôs interpretar o cenario, analisar riscos e tomar decisoes por conta própria ao longo das operações. Captura orbital anotada mostra as rotas pretendidas por AI (em magenta) e as rotas reais (em laranja) percorridas pelo rover Perseverance em Marte em 10 de dezembro de 2025 na Cratera Jezero. Crédito: NASA/JPL-Caltech/UofA Mas como preparar uma máquina pra lidar com imprevistos em um lugar tão distante?

Esse foi um dos pontos abordados no programa Olhar Espacial da última sexta-feira (23), que recebeu o físico Roberto ‘Pena’ Spinelli, graduado pela Universidade de São Paulo (USP), especialista em Machine Learning pela Universidade de Stanford, nos Estados Juntados, pesquisador na área de AI e colunista do Olhar Digital News. Pena esclareceu que uma das formas de desenvolver essa autonomia é treinar os sistemas em cenarios simulados, nos quais podem encarar diferentes situações antes de serem mandados ao espaco. Uma das técnicas utilizadas nesse processo é o aprendizado por reforço, que possibilita à inteligência artificial melhorar suas decisoes apartir de tentativas e bugs. “A AI é treinada, e nao agendada, e no treinamento você tenta colocar diversos ambientes.

Entao, a gente tem um tipo de treinamento de AI chamado reinforcement learning, cuja proposta é colocá-la num simulador. Entao, você simularia uma tarefa espacial.” Nesse tipo de treinamento, o sistema recebe recompensas quando toma decisoes adequadas e adapta suas estrategias quando os resultados nao são os aguardados. A repetição possibilita que o algoritmo aprenda a responder a diferentes obstáculos e condicoes, preparando o robô pra situações que poderá achar durante uma tarefa.

Testes virtuais nao confirmam o sucesso no espaco Msm com a possibilidade de simular incontáveis ambientes, há um limite pra o que pode ser previsto em laboratório. As condicoes reais de operacao podem mostrar diferenças a respeito das reproduzi