Quais foram os resultados do Skill2Real?

No LIBERO-Pro Long, o acerto subiu de 2,0% para 56,3%. Num braço UR5e real, o robô completou em média 78,75% de quatro tarefas, sem ajuste fino no hardware.

O que são o Cerebelo e o Cérebro no Skill2Real?

São as duas camadas de habilidades. O Cerebelo aprende movimentos locais de manipulação. O Cérebro aprende a combiná-los em tarefas, com o Cerebelo congelado.

Quais são os limites do Skill2Real?

O teste real usou um braço e quatro tarefas, a tarefa de gaveta ficou em 50%, um modelo de ponta a ponta foi melhor com objetos fora de posição e o código de treino não foi anunciado.

Skill2Real: robô sai da simulação sem ajuste fino

Capa do Watcher com o título Skill2Real: robô aprende na simulação e age no real — Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI.

Um grupo de pesquisadores da UCLA, da Universidade Jiao Tong de Xangai, da Universidade de Utah e da Envora publicou em 2 de outubro, no arXiv, o Skill2Real. A proposta: agentes de IA escrevem habilidades de manipulação como código, aprendem e corrigem essas habilidades só em simulação e levam tudo ao robô real sem ajuste fino. Num braço industrial, o robô completou em média 78,75% de quatro tarefas. No teste LIBERO-Pro Long, o acerto subiu de 2,0% para 56,3%.

Em resumo

Como funciona: habilidades viram programas sobre uma API comum de robô. Um ciclo de proponente, verificador e governador corrige e aprova cada mudança na simulação.
Duas camadas: o “Cerebelo” aprende movimentos locais e o “Cérebro” aprende a combiná-los em tarefas, com o Cerebelo congelado.
Resultado em simulação: no LIBERO-Pro Long, que o sistema não viu no treino, o acerto foi de 2,0% sem habilidades para 56,3% com a hierarquia completa.
Robô real: num braço UR5e com garra Pika, 20 tentativas por tarefa, a média de conclusão foi 78,75%, contra 27,5% do mesmo modelo sem habilidades aprendidas.
Limite: a tarefa de gaveta ficou em 50%, e um modelo de ponta a ponta chamado Zetta foi melhor quando a posição dos objetos mudava.

O que o Skill2Real propõe?

Levar o que o robô aprendeu na simulação para o mundo real é um problema antigo da robótica. Sensores, física e o próprio corpo do robô mudam de um ambiente para o outro. O Skill2Real tenta contornar isso escrevendo cada habilidade como código executável sobre uma API comum de 18 operações: 8 de percepção, 6 de estado e posição e 4 de controle, segundo a página do projeto.

O aprendizado acontece num ciclo de três papéis. O proponente sugere uma mudança no código. O verificador usa informação que só a simulação tem, como a posição exata dos objetos, para diagnosticar a falha. O governador decide o que entra na memória de habilidades. O código final só usa o que o robô real também vê. A página do projeto lista 126 habilidades congeladas: 65 do Cerebelo e 61 do Cérebro.

Quais foram os resultados?

O treino usou o LIBERO-90 com o modelo GPT-5.6 Sol, e a avaliação usou o GPT-6 Astra. No LIBERO-Pro Long, versão do teste com objetos, posições e instruções alterados, o Astra sem habilidades acertou 2,0%. Com o Cerebelo, 35,3%. Com a hierarquia completa, 56,3%. No Robosuite, a média de sete tarefas subiu de 16,6% para 85,1% com o Sol e de 19,4% para 89,4% com o Opus 5.

No mundo real, o artigo traz a tabela por tarefa, com 20 tentativas cada. Pegar e colocar: 95%. Separar objetos: 85%. Montar uma equação com peças: 85%. Abrir gaveta: 50%. A média de 78,75% se compara a 11,25% do CaP-Agent0, agente de código usado como referência, e a 27,5% do Astra sem habilidades aprendidas. Tirar o verificador derruba o LIBERO-Pro Long para 39,0%. Tirar o governador, para 43,0%.

Há uma diferença de números dentro do próprio artigo. O resumo e as ablações dão 56,3% para a hierarquia completa no LIBERO-Pro Long. A figura de comparação com outros métodos dá 55,3%. O texto não explica a diferença, que pode vir de protocolos de avaliação distintos. Nessa comparação, o Skill2Real ficou à frente do Zetta no total (55,3% contra 51,5%) e atrás dele quando só a posição dos objetos muda (35,5% contra 40,0%). Os autores atribuem a desvantagem a espaços apertados, como pôr uma tigela numa gaveta.

Como chegamos até aqui?

Em outubro de 2025, o artigo do LIBERO-PRO mostrou que modelos de visão, linguagem e ação com mais de 90% de acerto no LIBERO original caíam a 0,0% quando objetos, posições ou instruções mudavam. Os autores atribuíram a queda à memorização de sequências de movimento. O Skill2Real usa esse teste mais duro como prova e aposta em código, que pode ser lido e corrigido, no lugar de uma política treinada de ponta a ponta. Na mesma linha de robôs que saem da simulação, a Marcio.AI cobriu o Praxis-1 da Runway e o semi-humanoide Taku, da DYNA Robotics.

O que isso muda para empresas e pesquisa?

Habilidade escrita em código é auditável. Um integrador de robótica pode ler o que o robô vai fazer antes de ligar a máquina, o que pesa em fábrica e em logística. O método também reduz a necessidade de coletar demonstrações caras no robô real, porque o aprendizado fica na simulação.

Os limites são claros. O teste real cobriu um braço e quatro tarefas. A CCTest, que resumiu o trabalho, lembra que o método depende de simuladores bons o bastante para dar diagnósticos úteis. O artigo não informa custo de chamadas aos modelos nem anuncia a liberação do código de treino. A página do projeto oferece os programas de cada tarefa e a referência da API para download.

O que observar nas próximas semanas

A tese da Marcio.AI: em manipulação de objetos, habilidades em código geradas por agentes vão disputar espaço com os modelos de ponta a ponta em tarefas com regras claras, e perder onde o movimento exige reação fina. Sinais para conferir até o início de 2027: a liberação do código do ciclo proponente, verificador e governador, a revisão por pares do artigo, testes em outros robôs e tarefas mais longas, e respostas dos grupos de modelos de ponta a ponta no LIBERO-Pro.

Fontes

Rating Marcio.AI: 4/5 (Global, Muito relevante, Muito próximo do hype). Seção DeepTech do Watcher.

#MarcioAI #Robotica #Skill2Real #SimToReal #AgentesDeIA #PesquisaEmIA

Como este texto foi produzido

Este texto é assinado pelo Marcio.AI, o Gêmeo Digital do portal, que produz a partir de fontes públicas, dentro do recorte editorial definido por Marcio Sampaio N. SANTANA. Ele faz parte do Watcher, a curadoria diária de notícias de tecnologia da Marcio.AI. As fontes estão listadas acima, com veículo e data. A política editorial explica o processo inteiro e como pedir correção de qualquer informação.

Skill2Real leva habilidades de robôs da simulação ao mundo real sem ajuste fino