Polybot ensina um robô a colher tomates observando como os humanos trabalham

Uma estufa não é uma linha de montagem perfeitamente repetível. Dois cachos podem ter formatos diferentes; as folhas escondem o ponto de corte; a luz muda; o fruto se move quando a ferramenta o toca. Resolver cada exceção com uma nova regra consome tempo de engenharia e pode gerar um sistema frágil.

A Polybot testa outro caminho. Um operador realiza a colheita e o sistema registra a relação entre o que o robô vê e a ação realizada. Segundo o cofundador Martin Kiefel, a máquina recebe demonstrações do movimento, mas ninguém precisa descrever explicitamente para ela o que é um tomate. Com exemplos suficientes, o modelo aprende regularidades: a cor vermelha, a geometria do cacho e o momento adequado para cortar.

Isso não significa que o robô compreenda o tomate como uma pessoa. Significa que ele aprende uma política de ação a partir de dados visuais e motores, em vez de depender unicamente de condições escritas à mão. A diferença é importante: ensinar novos exemplos pode ser mais rápido do que reprogramar uma longa coleção de casos particulares.

A cronologia divulgada pela Polybot ilustra a velocidade do desenvolvimento. O trabalho de laboratório começou em janeiro de 2025. Em maio, a máquina colheu de forma autônoma seu primeiro tomate em uma estufa real. Em dezembro, a empresa afirmava que já conseguia percorrer e colher fileiras completas de forma confiável.

O próximo passo previsto é um piloto totalmente integrado com produtores durante o verão de 2026. A empresa quer entregar os primeiros sistemas comerciais no início de 2027. Essas duas últimas datas são metas empresariais, não marcos já alcançados, e dependerão do desempenho contínuo fora de uma demonstração controlada.

A Polybot surgiu do ambiente do ELLIS Institute Tübingen e do Max Planck Institute for Intelligent Systems, com o apoio do Tübingen AI Center e da rede Cyber Valley. A ideia inicial está vinculada ao pesquisador Wieland Brendel; a equipe fundadora inclui Martin Kiefel, Claudio Michaelis, Maike Kaufman e Sebastian Blaes. Georg Martius e Brendel figuram como consultores.

Em 2025, a SPRIND — a Agência Federal Alemã para Inovação Disruptiva — concedeu ao projeto um contrato de validação de sete meses de aproximadamente 220.000 euros para facilitar a transição da pesquisa para a empresa. Ao se constituir como spin-off em dezembro, o projeto anunciou um apoio adicional de um milhão de euros da SPRIND.

O financiamento público permite testar uma tecnologia que combina visão computacional, aprendizagem por imitação, um braço robótico e uma plataforma que circula sobre os trilhos de carrinhos já instalados em muitas estufas. Aproveitar essa infraestrutura reduz uma barreira prática: o agricultor não precisaria reconstruir completamente sua operação para introduzir a máquina.

Colher não consiste apenas em localizar algo vermelho. A máquina deve se aproximar sem atingir outros frutos, identificar o caule correto, posicionar a ferramenta, cortar e depositar o cacho sem danificá-lo. Também deve distinguir a maturação, operar entre oclusões e repetir o ciclo durante horas com uma taxa de erro economicamente aceitável.

A Polybot afirma ter alcançado uma velocidade aproximadamente humana e pretende multiplicá-la por 1,5. Também contempla tarefas relacionadas, como desfolha, enrolamento e amarração de plantas. Ainda não há métricas públicas suficientes sobre frutos por hora, porcentagem de cortes corretos, danos causados, intervenções humanas, consumo de energia ou disponibilidade durante uma jornada completa.

A ausência desses números não invalida o avanço visível, mas limita o que se pode concluir. O vídeo mostra uma capacidade concreta; uma operação comercial deverá demonstrar repetibilidade, segurança, manutenção simples e um custo total inferior ou competitivo em relação ao trabalho manual.

O interesse da Polybot vai além do tomate como cultivo. Muitas tarefas nunca foram automatizadas porque seu volume não justificava meses de programação ou porque o ambiente mudava demais. Se um trabalhador experiente puder gerar dados ensinando o processo, o custo de adaptar um robô a variações locais poderia cair de maneira substancial.

A mesma lógica se mostra relevante para a manufatura de pequenas séries, classificação logística, inspeção visual, separação de pedidos e operações de armazém. No entanto, essas extensões são uma interpretação do potencial da aprendizagem por demonstração: a Polybot só apresentou evidências públicas na agricultura e não anunciou implementações comerciais nesses outros setores.

A empresa construiu uma narrativa convincente e uma demonstração visível: aprendizado a partir de humanos, rápida progressão e uso da infraestrutura agrícola existente. Para transformá-la em produto, deverá publicar ou permitir a verificação de dados de produtividade, danos, recuperação diante de erros, manutenção, segurança, retorno sobre o investimento e desempenho entre diferentes variedades e safras.

Se superar esse teste, sua maior contribuição talvez não seja uma colheitadeira de tomates. Poderia ser um método para que a automação chegue a tarefas complexas onde programar cada etapa sempre foi lento e custoso demais. Nesse cenário, a linguagem mais útil para programar um robô industrial seria, simplesmente, mostrar-lhe como o trabalho é feito.