Modelo de mundo com física da NTT eleva de 73% para 92% o acerto de um robô ao abastecer prateleiras, e a Mujin vai testá-lo com bagagem de aeroporto

A NTT criou um modelo de mundo que prevê se uma carga vai desabar ou um objeto vai cair antes que o robô se mova, e diz que ele elevou a taxa de sucesso de um robô pequeno numa tarefa de empilhamento em prateleira de 73,1% para 92,3%. A empresa de Tóquio anunciou o trabalho em 11 de novembro e planeja testes de campo com a Mujin, começando pela carga e descarga de bagagens de aeroporto de formatos e pesos diferentes.

A aposta é que o que mantém um modelo de mundo fiel às caixas é a física, e não mais vídeo. Segundo a NTT, os modelos convencionais não representam as grandezas físicas dos objetos; por isso, no vídeo que geram, objetos somem ou se deformam, colisões saem erradas e cenas fora dos dados de treino os derrubam. O "adaptador de controle físico" da NTT estima pelo vídeo a posição, a orientação, a velocidade e a massa de cada objeto, calcula o próximo movimento com as equações do movimento e repassa o resultado a um modelo de geração de vídeo. Com bagagens que variam em forma e peso, reunir dados que cubram todos os casos não é realista, diz a empresa. É a aposta oposta à do GR00T 2 da NVIDIA, que aprende sobretudo com vídeos de pessoas.

Ele avalia as jogadas do planejador em vez de substituí-lo

O modelo não comanda o robô. Um modelo VLA ou um planejador de movimento propõe várias ações; o modelo da NTT gera o vídeo do que cada uma provocaria, dá uma nota conforme quedas e colisões, e o robô escolhe a que tem mais chance de dar certo. A NTT diz que ele roda rápido o bastante para entrar no fluxo de controle e que, por entregar as grandezas físicas por trás de cada previsão, os operadores conseguem ver por que ele espera uma queda.

Por isso a Mujin é uma primeira parceira natural. Seus controladores já planejam a paletização de caixas mistas para braços industriais, e um verificador pode ser colocado sobre esse software sem substituí-lo. No OBJ3D, um benchmark público de previsão de vídeo centrado em colisões entre vários objetos, o modelo superou métodos anteriores na métrica de similaridade LPIPS, segundo a NTT.

Os testes com bagagem vão dizer se o ganho de 19 pontos se mantém. Um robô pequeno que empilha itens numa prateleira está longe de um braço de tamanho real carregando malas cujo peso o modelo precisa adivinhar só pelo vídeo. A NTT vai mostrar o sistema no seu R&D Forum 2026, de 18 a 25 de novembro.