Overstappen van de ene smartphone naar de andere is meestal een vloeiende procedure. Je logt in op je accounts en je apps, voorkeuren en contacten worden gesynchroniseerd naar de nieuwe hardware. Maar in de wereld van robotica betekende het vervangen van een oude robotarm door een nieuwer model tot nu toe dat alles vanaf nul moest worden ingesteld.
Om dat op te lossen heeft een team onderzoekers van de Zwitserse École Polytechnique Fédérale de Lausanne (EPFL) ontwikkeld wat ze Kinematische Intelligentie noemen, een raamwerk dat het wisselen van robots meer laat werken zoals het wisselen van smartphones. Ze beschrijven hun systeem in een recent artikel in Science Robotics.
Jarenlang hebben robotici gewerkt aan het leren van robots door demonstratie – hen nieuwe vaardigheden aanleren door te laten zien wat ze moeten doen, in plaats van regels code te schrijven. Het idee is om de arm van de robot op afstand te besturen of fysiek te begeleiden om een taak te leren zoals het afvegen van een tafel, het stapelen van dozen of het lassen van een auto-onderdeel. Het probleem is dat de meeste van deze aangeleerde vaardigheden gebonden blijven aan de specifieke robot waarmee de training is gedaan.
Maar robotica ontwikkelt zich snel. “De robots hebben verschillende ontwerpen, en tegenwoordig worden er nieuwe ontwerpen voorgesteld – dat brengt zijn eigen uitdagingen met zich mee,” zei Sthithpragya Gupta, roboticus aan de EPFL en hoofdauteur van de studie. Als een nieuwe robot iets langere schakels, een andere gewrichtsoriëntatie of een complexere configuratie heeft, werkt het aangeleerde gedrag niet meer en zal de nieuwe robot waarschijnlijk fladderen, vastlopen of crashen als hij het probeert.
“Met nieuwe ontwerpen komen verschillende mogelijkheden en beperkingen,” zei Durgesh Haribhau Salunkhe, roboticus aan de EPFL en co-auteur van de studie. “Het probleem is om je aan te passen aan deze beperkingen en mogelijkheden – om de door een mens gedemonstreerde acties getrouw te repliceren.” Tegenwoordig betekent de overstap van het ene robotlichaam naar het andere meestal dat je helemaal opnieuw moet beginnen en het hele systeem opnieuw moet trainen.
Wanneer een robot door de ruimte beweegt om een taak uit te voeren, moet hij constant berekenen hoe hij zijn gewrichten moet buigen om zijn eindeffector (een robotisch equivalent van een hand) op het juiste pad te houden. De robot moet voorkomen dat hij een fysieke limiet raakt, of erger, een singulariteit, wat in robotica een wiskundige gevarenzone is: een fysieke configuratie waarbij de gewrichten van de robot zodanig uitgelijnd zijn dat hij tijdelijk een vrijheidsgraad verliest. “In zulke posities kan de beweging van de robot instabiel worden of kun je de controle over de robot verliezen,” zei Gupta.
In menselijke termen werkt het ongeveer als het op slot gaan van de ellebogen wanneer ze volledig gestrekt worden bij het duwen van iets zwaars, waardoor de armen even geen zijwaartse bewegingen kunnen maken.
Het overbrengen van vaardigheden van de ene robot naar de andere is moeilijk omdat verschillend gestructureerde robots meestal een andere topologie van singulariteiten hebben. Wanneer het algoritme van een robot blindelings een pad volgt en een singulariteit raakt, zal de wiskunde die de gewrichten aanstuurt falen. De robot kan bijvoorbeeld proberen een gewricht met oneindige snelheid te draaien, wat resulteert in een plotselinge, onveilige beweging. Gupta’s team loste dit op door de robots een diep, aangeboren wiskundig bewustzijn van hun eigen fysieke beperkingen te geven. Deze Kinematische Intelligentie, zoals ze het noemen, stelt een gebruiker in staat om een vaardigheid slechts één keer te demonstreren en deze veilig te laten uitvoeren door een heel ander type robot.
En (verrassend genoeg tegenwoordig) werd Kinematische Intelligentie op een AI-vrije manier gebouwd.
Traditioneel hebben ingenieurs singulariteiten aangepakt met softwarefixes. Ze bouwden inverse modellen, complexe wiskundige formules die achteruit werken vanaf de doelpositie van de eindeffector van de robot om alle gewrichtsposities in kaart te brengen die nodig zijn om daar te komen. Vervolgens plakten ze er veiligheidsfilters of correcties op om te voorkomen dat de robot in de problemen komt.
Sommige nieuwere, datagestuurde AI-benaderingen vergen minder inspanning en expertise, maar vereisen toegang tot elke robot waarop de besturingssoftware tijdens de trainingsfase zal worden gebruikt. “Ook is er dit probabilistische of black box-karakter van AI waarbij het iets kan doen wat we niet verwachten,” zei Gupta. “Het kan onveilig gedrag vertonen.”
In plaats daarvan gebruikte het team een wiskundige benadering die de robot een diep begrip geeft van zijn eigen kinematica – de geometrie van zijn beweging – zonder dat er enorme datasets of black box-modellen nodig zijn. Het resultaat is een robotbrein dat zich kan aanpassen aan verschillende lichamen, net zoals je simkaart en apps naar een nieuwe telefoon verhuizen, maar dan zonder dat de robot plotseling een mes grijpt als je om koffie vraagt.