Treinado em mil casas virtuais, um robô humanoide testado pela equipe de pesquisa da Apple completou 91% de 360 tentativas em seis ambientes reais desconhecidos. Veja o que ele conseguiu fazer e onde ainda falhou.
Um robô humanoide foi treinado em mil casas que não existem fisicamente e depois colocado em seis ambientes reais que nunca havia visitado. O resultado divulgado por pesquisadores da Apple foi de 91% de sucesso em 360 tentativas de movimentos específicos: sentar em uma cadeira, passar por portas parcialmente abertas, se agachar, rastejar sob mesas, empurrar caixas e caminhar até objetos indicados.
O experimento, apresentado em um estudo científico disponibilizado em 4 de novembro de 2026, usou um robô Unitree G1 equipado com câmeras e um computador adicional. Chamado HALO, o sistema aprendeu movimentos com imagens, instruções e simulações de residências geradas por computador. Quando precisou combinar várias tarefas em sequência, a taxa média de acerto caiu para 70%, revelando a diferença entre executar um movimento e realizar uma atividade doméstica completa.
Mil casas digitais ensinaram o robô a lidar com móveis que nunca tinha visto
Em vez de visitar residências com um operador humano, a equipe construiu espaços virtuais com paredes, portas, sofás, camas, mesas e diferentes distribuições de móveis. Um programa de criação de ambientes, chamado Infinigen, gerou mil cenários variados para o treinamento. Os pesquisadores então posicionaram movimentos nessas cenas e criaram imagens semelhantes àquelas captadas pela câmera do próprio robô.
-
A China resfriou 20 mil átomos no espaço até uma temperatura quase impossível de imaginar e bateu recorde ao chegar a apenas 9,7 trilionésimos de kelvin
-
Ar-condicionado gastou 55,7% menos energia em teste da USP sem trocar o aparelho: sistema brasileiro desliga equipamentos sozinho e promete reduzir a conta de luz
-
Kit põe motor na roda dianteira de bicicletas comuns e promete recuperar energia quando o ciclista pedala para trás
-
NASA revela avião experimental X-70 que levará 907 kg de equipamentos e terá missão inédita
O HALO recebeu aproximadamente 300 horas de exemplos digitais de movimentos associados a comandos e imagens. Entre os exercícios estavam aproximar-se de uma cadeira para sentar, passar por uma abertura estreita e se abaixar para atravessar um espaço sob a mesa. O conjunto foi produzido em escala: o estudo descreve cerca de 162 mil episódios simulados, preparados para mostrar ao sistema diferentes combinações de posições e obstáculos.
O modelo de movimento não precisava decorar uma planta específica. Durante o treinamento, mesas mudavam de posição, portas surgiam com aberturas diferentes e a iluminação podia variar. Essa diversidade ajudou o sistema a reconhecer situações parecidas quando encontrou móveis de verdade, em ambientes que não haviam sido escaneados ou mapeados previamente.
Sentar, passar por uma porta e rastejar: 360 testes revelaram os acertos
Os pesquisadores avaliaram seis habilidades em seis ambientes físicos, repetindo cada tipo de tarefa dez vezes em cada local. O robô obteve 100% de sucesso ao se agachar sob obstáculos, 93% ao passar de lado por portas entreabertas e 92% ao caminhar até um objeto indicado. Rastejar sob uma mesa teve 90% de acertos; empurrar uma caixa, 88%; e sentar numa cadeira, 85%.
Somadas as 360 tentativas, a média registrada foi de 91%. Para a equipe, uma tarefa contava como bem-sucedida quando o equipamento conseguia concluí-la sem cair nem ficar preso. A avaliação também foi repetida em ambientes virtuais reservados, que não faziam parte das casas usadas no treinamento, e apresentou a mesma média de 91% para essas habilidades.
Os vídeos divulgados pelos autores mostram o Unitree G1 contornando móveis e ajustando a postura ao encontrar obstáculos. As imagens da demonstração oficial do HALO documentam a passagem entre movimentos simulados e deslocamentos físicos do robô em cômodos desconhecidos.
Ao combinar três ações, a taxa de sucesso caiu para 50%
A situação mudou quando o robô precisou cumprir instruções que exigiam mais de um movimento. Em 30 testes de três sequências, realizados em um ambiente real, a média foi de 70% de sucesso. Passar por uma porta e ir até um objeto funcionou nas dez tentativas. Agachar e depois sentar deu certo em 60% dos casos.
A sequência mais difícil exigia agachar, caminhar até uma caixa e empurrá-la: a taxa caiu para 50%. Em parte das falhas, o robô terminava o agachamento virado para o lado oposto ao objeto. Sem conseguir enxergá-lo novamente, perdia o rumo da etapa seguinte. Em outra sequência, chegou a procurar um sofá quando a instrução envolvia uma cadeira.
Esses erros ajudam a definir o estágio da tecnologia. O HALO executa um repertório delimitado de habilidades e consegue encadeá-las em algumas condições, mas ainda precisa localizar melhor objetos que saem do campo de visão e corrigir sua trajetória quando uma etapa termina em posição desfavorável.
Câmera na cabeça, computador nas costas e comandos para 29 articulações
O robô escolhido foi um Unitree G1 modificado. A equipe instalou uma câmera na cabeça e um Mac mini M4 Pro na parte traseira para processar imagens e instruções. Uma segunda câmera de profundidade ajudava a estimar as distâncias e a geometria à frente do corpo. Todo o sistema de controle utilizado nos testes funcionava a bordo do robô, sem depender de alguém pilotando cada movimento por controle remoto.
O software divide o trabalho em três níveis. Primeiro, interpreta pedidos em linguagem natural, como passar por uma porta e sentar. Depois, monta um plano de movimento que considera a imagem captada. Por fim, um controlador ajusta o corpo e envia comandos para as 29 articulações monitoradas, levando em conta a posição das pernas, o equilíbrio e a distância dos obstáculos.
O robô revisa o planejamento durante a execução: a parte responsável pelos movimentos prepara trajetórias de cinco segundos e atualiza o plano várias vezes por segundo, enquanto o controlador físico faz ajustes mais rápidos. Isso permite reagir quando a cadeira está um pouco diferente do que o sistema esperava, mesmo sem um mapa pronto da sala.
Criar o treinamento sem operadores exigiu uma grande quantidade de computadores
O estudo descreve uma infraestrutura de processamento expressiva para gerar os dados sintéticos. A preparação do conjunto principal consumiu aproximadamente 48 horas em 250 processadores gráficos NVIDIA H100. Outras máquinas especializadas foram usadas para treinar os modelos que planejam e controlam os movimentos.
O método reduz a necessidade de um ser humano conduzir repetidamente um robô real para gravar exemplos, mas a criação de novas habilidades ainda demanda participação dos pesquisadores. Alguém precisa definir os comandos e fornecer referências de postura e movimento para novas tarefas. A equipe também aproveitou registros anteriores de movimentos humanos em etapas do desenvolvimento.
Em um teste específico feito em simulação, reduzir a diversidade do treinamento para apenas uma casa derrubou o sucesso da tarefa de sentar para 43%. Com mil ambientes, a taxa chegou a 84% nessa mesma avaliação. O resultado mostra por que variar o espaço virtual é importante quando o destino final são cômodos desconhecidos.
O que ainda separa o robô de um ajudante doméstico
Os autores reconhecem limites claros: o sistema depende principalmente de visão e ainda não dispõe de percepção tátil direta para confirmar contatos. Suas tarefas avaliadas envolveram locomoção, postura e empurrar objetos; não demonstraram a capacidade de pegar utensílios pequenos, lavar louça ou arrumar uma casa inteira de forma independente.
O trabalho também foi divulgado como pré-publicação científica no arXiv, e os resultados apresentados são os da equipe responsável, sem uma reprodução independente descrita no estudo. Os pesquisadores disponibilizaram demonstrações e código do projeto, mas não anunciaram um robô doméstico da Apple pronto para comercialização.
O próximo desafio é ampliar as habilidades e melhorar a recuperação quando um objeto desaparece da câmera. Enquanto isso, os testes já mostram um humanoide aprendendo movimentos em casas inventadas por computador e aplicando parte desse aprendizado em residências reais. Você confiaria em um robô treinado dessa maneira para circular sozinho pela sua casa? Conte sua opinião nos comentários.
