Att byta från en smartphone till en annan är oftast en smidig process. Du loggar in på dina konton och dina appar, preferenser och kontakter synkas till den nya hårdvaran. Men inom robotikens värld har det inneburit att allt måste ställas in från grunden när man byter ut en gammal robotarm mot en nyare modell – ända tills nu.

För att lösa detta har ett forskarteam vid schweiziska École Polytechnique Fédérale de Lausanne (EPFL) utvecklat vad de kallar Kinematisk Intelligens, ett ramverk som gör att byta robotar fungerar mer som att byta smartphones. De beskriver sitt system i en nyligen publicerad artikel i Science Robotics.

I åratal har robotforskare arbetat med att få robotar att lära sig genom demonstration – att lära dem nya färdigheter genom att visa vad de ska göra, istället för att skriva rader med kod. Tanken är att fjärrstyra eller fysiskt guida robotens arm för att lära den en uppgift som att torka ett bord, stapla lådor eller svetsa en bilkomponent. Problemet är att de flesta av dessa inlärda färdigheter blir bundna till den specifika robot som träningen utfördes med.

Men robotiken utvecklas snabbt. ”Robotarna har olika konstruktioner, och nuförtiden föreslås nya konstruktioner – det medför sina egna utmaningar”, säger Sthithpragya Gupta, robotforskare vid EPFL och huvudförfattare till studien. Om en ny robot har något längre länkar, en annan ledorientering eller en mer komplex konfiguration, så bryts det inlärda beteendet omedelbart och den nya roboten kommer sannolikt att flaxa, frysa eller krascha om den försöker utföra uppgiften.

”Med nya konstruktioner kommer olika förmågor och begränsningar”, säger Durgesh Haribhau Salunkhe, robotforskare vid EPFL och medförfattare till studien. ”Problemet är att anpassa sig till dessa begränsningar och förmågor – att troget återskapa de handlingar som demonstrerats av en människa.” Idag innebär övergången från en robotkropp till en annan vanligtvis att man börjar om från början och tränar om hela systemet.

När en robot rör sig genom rymden för att utföra en uppgift måste den ständigt beräkna hur den ska böja sina leder för att hålla sin end-effektor (en robotmotsvarighet till en hand) på rätt väg. Roboten måste undvika att träffa en fysisk gräns, eller ännu värre, en singularitet, som inom robotik är en matematisk farozon: en fysisk konfiguration där robotens leder är så inriktade att den tillfälligt förlorar en frihetsgrad. ”I sådana positioner kan robotens rörelse bli instabil eller [du] kan förlora kontrollen över roboten”, säger Gupta.

I mänskliga termer fungerar det ungefär som att låsa armbågarna när de sträcks helt ut när man trycker något tungt, vilket gör armarna oförmögna att utföra sidledsrörelser ett ögonblick.

Att överföra färdigheter från en robot till en annan är svårt eftersom olika strukturerade robotar vanligtvis har olika topologi av singulariteter. När en robots algoritm blint följer en väg och träffar en singularitet kommer matematiken som styr dess leder att misslyckas. Roboten kan till exempel försöka snurra en led med oändlig hastighet, vilket resulterar i en plötslig, osäker rörelse. Guptas team löste detta genom att ge robotarna en djup, medfödd matematisk medvetenhet om sina egna fysiska begränsningar. Denna Kinematiska Intelligens, som de kallar det, låter en användare demonstrera en färdighet bara en gång och få den utförd säkert av en helt annan typ av robot.

Och (överraskande nog nuförtiden) byggdes Kinematisk Intelligens på ett AI-fritt sätt.

Traditionellt har ingenjörer hanterat singulariteter genom mjukvarulösningar. De byggde inversa modeller, komplexa matematiska formler som arbetar baklänges från robotens end-effektors målposition för att kartlägga alla ledpositioner som krävs för att nå dit. Sedan satte de bara på säkerhetsfilter eller korrigeringar för att förhindra att roboten hamnar i trubbel.

Vissa nyare, datadrivna AI-metoder kräver mindre ansträngning och expertis men kräver tillgång till varje robot som kontrollprogramvaran kommer att användas på under träningsfasen. ”Dessutom finns det denna probabilistiska eller svarta låda-natur hos AI där den kan göra något oväntat”, säger Gupta. ”Vårt tillvägagångssätt är deterministiskt och garanterat säkert.”

Teamet testade sitt ramverk på flera olika robotarmar, inklusive en Franka Emika Panda, en Universal Robots UR5 och en Kinova Gen3. De visade att en färdighet som demonstrerats på en robot kunde överföras till en annan utan ytterligare träning. Robotarna utförde uppgifter som att trycka på knappar, vrida på rattar och stapla block – allt utan att krascha eller fastna i singulariteter.

”Det här är ett stort steg framåt för att göra robotar mer flexibla och användbara i verkliga miljöer”, säger Gupta. ”Istället för att behöva programmera om varje robot för varje ny uppgift kan vi nu visa en robot en gång och låta andra robotar kopiera den.”

Forskarna planerar nu att utöka ramverket till att hantera mer komplexa uppgifter och fler robottyper. De hoppas att deras Kinematiska Intelligens så småningom kan bli en standardkomponent i robotstyrsystem, vilket gör det lika enkelt att byta robotarmar som att byta telefon – och med betydligt färre selfies.