A programação de robôs pode entrar mais cedo no processo de projeto
A UC Berkeley e a NVIDIA lançaram ferramentas de código aberto destinadas a mudar como aplicações de robôs industriais são programadas, testadas e aperfeiçoadas. A abordagem usa equipes de agentes de programação de IA para gerar programas legíveis, conectar as partes de uma tarefa e ensaiá-las em simulação antes da implantação.
Células robóticas industriais costumam ser difíceis de programar porque o software está ligado à construção física. O robô, alimentadores, esteiras e equipamentos relacionados normalmente precisam ser instalados antes que as equipes possam implementar e ajustar completamente o código. Isso pode deixar engenheiros de software trabalhando perto do prazo final.
O trabalho liderado por Berkeley busca reduzir esse gargalo transferindo mais programação e testes para um ambiente simulado. Em vez de depender de muitos dados específicos de tarefas ou exigir o ajuste manual de cada comportamento, os pesquisadores descrevem um fluxo no qual agentes geram, testam e refinam programas que podem ser inspecionados por pessoas.
Programas legíveis são centrais à proposta
O projeto não é apresentado como um sistema que remove engenheiros humanos da automação industrial. A afirmação central é que ferramentas agênticas podem acelerar a criação de programas de robôs mantendo-os interpretáveis para quem precisa verificá-los, solucionar problemas ou ajustá-los.
Ken Goldberg, William S. Floyd Jr. Distinguished Chair in Engineering da UC Berkeley, descreveu a robótica agêntica como uma mudança na forma de programar robôs. Na visão da equipe, vários agentes podem gerar e testar programas rapidamente, enquanto os engenheiros continuam capazes de entendê-los e ajustá-los.
Essa distinção importa em ambientes industriais. Um comportamento gerado que não pode ser entendido é difícil de validar, especialmente quando máquinas operam perto de equipamentos caros, peças organizadas cuidadosamente e funcionários. Código legível não elimina a necessidade de engenharia de segurança ou validação, mas facilita a análise dos resultados.
GaP divide o trabalho em habilidades modulares
Uma das ferramentas apresentadas é Graph-as-Policy, ou GaP. Trata-se de uma estrutura modular que divide uma tarefa robótica em habilidades componentes, como percepção, planejamento de preensão e movimento sem colisões.
Agentes de IA podem gerar esses componentes, conectá-los em uma tarefa maior e ensaiar o resultado em simulação. A estrutura reflete a realidade de que muitos trabalhos de automação combinam reconhecimento de objetos, seleção de uma preensão adequada, movimento seguro e conclusão da ação.
Ao tratar esses elementos como módulos conectados, a estrutura pretende facilitar a construção e revisão dos programas. Uma equipe pode concentrar-se na parte que precisa de atenção sem reconstruir toda a aplicação.
Um benchmark para tarefas variadas de manipulação
Os pesquisadores também introduziram o Variational Automation Benchmark for Agentic Robotics, ou VABAR. O benchmark contém seis tarefas: classificação de ferramentas, pendurar ferramentas, engrenamento de engrenagens, embalagem de seringas, inserção de cabos e roteamento de cabos.
As tarefas abrangem diferentes dificuldades de manipulação. Classificação e suspensão exigem reconhecimento e posicionamento; engrenamento exige alinhamento; embalagem de seringas envolve manuseio e organização; inserção e roteamento de cabos acrescentam objetos deformáveis e caminhos restritos.
O VABAR é construído sobre Isaac Lab-Arena e Newton e inclui variações padronizadas e níveis de dificuldade. Um benchmark compartilhado permite comparar abordagens sob condições definidas e observar quando um sistema tem sucesso, falha ou se torna menos confiável.
A simulação é o campo de testes
RoboSimStudio é outro projeto de código aberto descrito no relatório. Ele oferece suporte à programação agêntica de ambientes de simulação robótica. O trabalho foi apresentado na CoRL 2026, em Austin, Texas, e busca permitir que agentes escrevam a lógica do robô e criem as cenas simuladas usadas nos testes.
Segundo Goldberg, um estudante de pós-graduação forneceu a GPT-6 Astra um vídeo e o RoboSimStudio, e o modelo gerou uma simulação Newton em uma hora. O exemplo ilustra a direção da pesquisa: converter uma referência visual em uma simulação para desenvolvimento e avaliação de programas.
A simulação não reproduz perfeitamente todos os detalhes físicos de uma fábrica. Robôs reais enfrentam diferenças de calibração, limitações de sensores, materiais variáveis e interações inesperadas. Ainda assim, testar um programa antes da instalação completa da célula pode dar mais tempo para encontrar problemas e aperfeiçoar comportamentos.
Por que o lançamento importa
A importância do lançamento da Berkeley e da NVIDIA está menos em uma única tarefa robótica do que no fluxo de desenvolvimento proposto. Ele combina geração de código, coordenação multiagente, simulação e resultados legíveis para humanos.
As ferramentas são de código aberto, permitindo que pesquisadores e equipes de engenharia testem a abordagem em seus próprios ambientes. A questão principal será o desempenho quando as simulações encontrarem equipamentos reais, requisitos de produção e revisão de segurança.
Por enquanto, o trabalho oferece uma alternativa concreta à sequência tradicional, na qual o software do robô espera a conclusão da maior parte da célula física. Se os sistemas agênticos gerarem programas confiáveis que engenheiros possam inspecionar e melhorar, poderão antecipar parte do trabalho de automação para uma fase mais iterativa do projeto industrial.
Este artigo baseia-se em reportagem do The Robot Report. Leia o artigo original.
Originally published on therobotreport.com





