Robots leren programmeren zonder data: 'agentic robotics' als nieuwe aanpak
Onderzoekers van UC Berkeley en chipgigant NVIDIA presenteren een nieuwe methode om robots slimmer te maken, zonder dat daar bergen trainingsdata voor nodig zijn. In plaats van robots te trainen met duizenden voorbeelden, laten ze AI-agents zelf programmeercode schrijven die de robot aanstuurt.
De robotica-industrie steekt al jaren miljarden in het verzamelen van data. Het idee: als een robot genoeg voorbeelden ziet van mensen die taken uitvoeren, leert hij die taken vanzelf overnemen. Er zijn zelfs bedrijven die uitsluitend bestaan om zulke trainingsdata te verzamelen en te verkopen aan andere robotbouwers. Maar volgens Ken Goldberg, hoogleraar robotica aan UC Berkeley en medeoprichter van robotbedrijf Ambi Robotics, loopt die aanpak tegen zijn grenzen aan. "Het leren door imitatie heeft een plateau bereikt", zegt hij. Voor relatief simpele taken, zoals robots die in huis helpen, werkt het nog redelijk. Maar in fabrieken en magazijnen, waar betrouwbaarheid cruciaal is, blijkt meer data niet automatisch tot betere prestaties te leiden. Goldberg werkte onder meer met techbedrijven Siemens en Bosch en zag daar hetzelfde patroon: robots presteren eerst goed, maar gaan daarna fouten maken. Extra data lost dat niet op.
Van databerg naar broncode
Het team van UC Berkeley en NVIDIA presenteert deze week op de Conference on Robot Learning 2026 een alternatief: agentic robotics. In plaats van een robot te overspoelen met data, zetten de onderzoekers AI-coderingsagents in. Dat zijn autonome AI-systemen die zelfstandig programmeercode kunnen schrijven, testen en aanpassen, zonder voortdurende menselijke bijsturing. De term is bedacht door Goldberg en Spencer Huang, directeur Robotica-producten bij NVIDIA. Het principe: een robottaak wordt in gewone taal omschreven, bijvoorbeeld "vul een boodschappentas". Een coderingsagent splitst die opdracht automatisch op in deelproblemen, zoals het herkennen van objecten, het vastgrijpen ervan met een grijper en het verplaatsen naar de tas. Voor elk deelprobleem gaat een apart AI-agentje aan het werk om de bijbehorende besturingscode te schrijven. Doordat deze aanpak draait op grote taalmodellen, net als ChatGPT, profiteert robotica voor het eerst van de enorme schaal waarop die modellen al getraind zijn op tekst en code van het internet.Minder zwarte doos, meer controle
Een belangrijk voordeel van deze aanpak is dat de resulterende besturingscode leesbaar en controleerbaar is voor mensen. Dat is een groot verschil met de huidige datagedreven AI-modellen voor robots, die vaak "black boxes" zijn: systemen die goed presteren, maar waarvan niemand precies kan uitleggen waarom ze een bepaalde beslissing nemen. Voor bedrijven die robots op de fabrieksvloer willen inzetten, is dat een groeiend probleem, omdat veiligheid en voorspelbaarheid daar zwaarder wegen dan in consumentenproducten. Agentic robotics bouwt bovendien voort op decennia aan bestaande robotica-technieken, zoals objectherkenning, positiebepaling en bewegingsplanning. Die bouwstenen bestonden al, maar moesten voorheen met de hand aan elkaar geprogrammeerd worden door gespecialiseerde ingenieurs. Nu kunnen AI-agents dat werk overnemen. Volgens Huang is dat de kern van de omslag: niet de robotica-bouwstenen zelf zijn nieuw, maar het feit dat AI nu zelf de code kan schrijven om ze te combineren. Of deze aanpak de dataproblemen van de robotica-industrie definitief oplost, moet nog blijken, maar het biedt een concreet alternatief voor de huidige, datahongerige strategie.Achtergrond & begrippen
Wat betekent dit voor de toekomst? Agentic robotics kan de ontwikkeling van bruikbare industriële robots versnellen zonder de torenhoge kosten van dataverzameling. Omdat de besturingscode leesbaar blijft voor mensen, wordt het ook makkelijker om te begrijpen en te vertrouwen waarom een robot doet wat hij doet. Dit kan de weg vrijmaken voor snellere, veiligere inzet van robots in fabrieken en magazijnen.
- Agentic robotics
- Een aanpak waarbij AI-agents zelf programmeercode schrijven om een robot een taak te laten uitvoeren, in plaats van de robot te trainen met grote hoeveelheden voorbeelddata.
- Coderingsagent
- Een autonoom AI-systeem dat zelfstandig software kan plannen, schrijven, testen en aanpassen, met weinig tot geen menselijke tussenkomst.
- Imitatieleren (imitation learning)
- Een trainingsmethode waarbij een AI-systeem leert door menselijke demonstraties te kopiëren, veelgebruikt bij het trainen van robots.
- Large language model (LLM)
- Een groot taalmodel, zoals het model achter ChatGPT, dat getraind is op enorme hoeveelheden tekst en in staat is taal en code te begrijpen en te genereren.
- Black box (zwarte doos)
- Een systeem waarvan de interne werking zo complex is dat mensen niet goed kunnen nagaan waarom het tot een bepaalde uitkomst komt.
- Model-based programmeren
- De klassieke manier van robots programmeren, waarbij ingenieurs eerst een wiskundig model van de robot en zijn omgeving maken en daar vervolgens handmatig gedetailleerde besturingscode op baseren.
- Trajectory generation
- Het berekenen van de precieze bewegingsbaan die een robotonderdeel, zoals een arm, moet volgen om een taak uit te voeren.
Bronnen
Dit artikel is met behulp van AI geschreven op basis van bovenstaande bronnen en is geen letterlijke vertaling. Zo werkt onze redactie.