Grupo de Leitura Bliss - 13 de Julho

Encerramos a temporada com um artigo que conecta os temas deste mini-trilho: se um robô pode sentir contato e aplicar as forças corretas, como ele descobre onde interagir em primeiro lugar? Nosso artigo é Filtros de Partículas Acoplados para Estimativa de Aferências Robusta (Lowin, Mengers & Brock, 2026) — vindo do Laboratório de Robótica e Biologia de Oliver Brock aqui na TU Berlim, e aceito na ICRA 2026. A estimativa de aferência — determinar onde em um objeto um robô pode agarrá-lo, e onde pode movê-lo — é difícil porque as entradas visuais estão cheias de ambiguidade. Os autores propõem uma solução inteligente: em vez de um estimador monolítico, eles usam dois filtros de partículas acoplados, um para regiões "agarráveis" e outro para regiões "movíveis", cada um codificando suas próprias regularidades estruturais. A chave está no acoplamento: os dois filtros trocam informações bidirecionalmente, focando a atenção em regiões onde ambos concordam — que é precisamente onde as aferências estão. Avaliado em um conjunto de dados do mundo real, o método supera três abordagens recentes (Where2Act, Hands-as-Probes e HRP) por grandes margens e permanece robusto em condições desafiadoras, como baixa luminosidade. Como um fechamento de temporada, este artigo nos convida a ampliar a visão: ao longo de três sessões, vimos robôs detectarem contato acusticamente, aprenderem políticas de manipulação sensíveis à força e agora estimarem onde a interação é possível em primeiro lugar. Como essas peças se encaixam em um pipeline completo de manipulação? É acoplar estimadores simples e interpretáveis um caminho mais promissor do que sistemas aprendidos de ponta a ponta? E qual deve ser o papel dos priors físicos em comparação com deixar os dados falarem? Junte-se a nós para uma discussão animada e interessante!