Behendige manipulatie: hoe robots leren grijpen zoals mensen
Pak een ei op zonder het te breken, schroef een dopje van een fles, of vouw een washandje op. Voor mensen is dat kinderspel, maar voor robots behoort dit tot de moeilijkste taken die er zijn. Behendige manipulatie (in het Engels: dexterous manipulation) is het vakgebied binnen de robotica dat zich bezighoudt met het nabootsen van deze fijne, veelzijdige handbewegingen bij machines.
Een simpele industriële robotarm kan al decennialang hetzelfde object op precies dezelfde manier oppakken en neerzetten, duizenden keren per dag. Maar geef diezelfde robot een willekeurig voorwerp – een losse sok, een stuk fruit met een onregelmatige vorm, een sleutelbos – en de meeste systemen falen jammerlijk. Behendige manipulatie probeert deze kloof te dichten: robots die met een hand vol vingers, sensoren en slimme software kunnen omgaan met de onvoorspelbare rommeligheid van de echte wereld, net zoals een mens dat moeiteloos doet.
Wat is het precies?
Behendige manipulatie draait om drie dingen die tegelijk moeten kloppen: de hardware (de robothand zelf), de waarneming (hoe de robot voelt en ziet wat hij vasthoudt) en de besturing (het "brein" dat beslist hoe de vingers moeten bewegen).
Aan de hardwarekant proberen onderzoekers handen te bouwen met net zoveel bewegingsvrijheid als een mensenhand. Zo'n menselijke hand heeft ongeveer 27 bewegingsassen, ook wel degrees of freedom (vrijheidsgraden) genoemd – elke knokkel die apart kan bewegen telt mee. De meeste robothanden hebben er veel minder, omdat elke extra vrijheidsgraad een motor, kabel en sensor vereist, wat de hand groter, zwaarder en duurder maakt.
Voor de waarneming is tactiele sensoriek cruciaal: sensoren in de vingertoppen die druk, textuur en beginnend wegglijden van een voorwerp kunnen voelen. Zonder dit tastgevoel moet een robot volledig op camerabeelden vertrouwen, en camera's kunnen niet zien of een grip te los of te strak is voordat het al misgaat.
De besturing is het lastigste onderdeel. Vroeger schreven ingenieurs voor elke handeling precies uit welke vinger wanneer moest bewegen, met wiskundige modellen van krachten en wrijving. Dat werkt goed voor bekende voorwerpen in een vaste opstelling, maar niet voor de oneindige variatie van de echte wereld. Daarom is de sector overgestapt op machine learning, met name reinforcement learning (versterkend leren): een robot krijgt een beloning als een handeling lukt en een straf als hij iets laat vallen, en leert zo via miljoenen pogingen – meestal eerst in een computersimulatie, pas daarna op echte hardware.
Wat wil men ermee bereiken?
Het uiteindelijke doel is robots die niet alleen in fabriekshallen met vaste lopende banden werken, maar ook in huishoudens, magazijnen, ziekenhuizen en winkels, waar elke taak net weer anders is. Denk aan een robot die de vaatwasser leegruimt, was opvouwt, of in een magazijn losse pakketten met verschillende vormen en gewichten sorteert.
Een tweede drijfveer is de vergrijzing en de krapte op de arbeidsmarkt in veel westerse landen en in Japan. Bedrijven en overheden hopen dat behendige robots op termijn eenvoudig, repetitief handwerk kunnen overnemen, van orderpicken in magazijnen tot assemblagewerk in de elektronica-industrie.
Daarnaast is er een medische en sociale belofte: prothesehanden die met tactiele feedback net zo natuurlijk aanvoelen als een echte hand, en zorgrobots die kwetsbare mensen kunnen helpen met aankleden of eten geven – taken die grote precisie en voorzichtigheid vereisen.
Tot slot zien grote techbedrijven behendige manipulatie als een noodzakelijke stap richting algemene, mensachtige robots (humanoids). Een robot die alleen kan lopen en praten heeft weinig nut als hij geen kopje koffie kan inschenken of een deur kan openen zonder de kruk te breken.
Voorbeelden uit de praktijk
OpenAI's Dactyl (2018-2019) was een mijlpaal: een robothand, de Shadow Dexterous Hand, leerde volledig in simulatie een Rubik's kubus met één hand op te lossen en te draaien, zonder ooit echt geoefend te hebben op fysieke hardware. De overstap van simulatie naar de echte wereld – het zogeheten "sim-to-real gat" – werd overbrugd door tijdens het trainen willekeurige variaties toe te voegen aan zwaartekracht, wrijving en afmetingen, een techniek die domain randomization heet.
Google DeepMind's RT-2 en AutoRT (2023-2024) combineerden taalmodellen met robotbesturing, zodat robots via gesproken instructies als "pak het rode blokje op" zelfstandig de juiste grijpbeweging kunnen kiezen, ook voor voorwerpen die ze nooit eerder zagen.
Tesla's Optimus-robot demonstreerde in 2024 en 2025 handen met tientallen actuatoren die kleine onderdelen konden sorteren en eieren konden hanteren tijdens publieke voorstellingen, al benadrukten onafhankelijke waarnemers dat veel van deze demo's nog gedeeltelijk op afstand bediend werden.
1X Technologies (Noorwegen/VS) en Figure AI (VS) testen sinds 2023-2024 humanoïde robots met behendige handen in echte magazijnen en, in het geval van Figure, in samenwerking met BMW op de fabrieksvloer.
Sanctuary AI (Canada) ontwikkelt sinds 2022 de Phoenix-robot, waarvan de handen specifiek zijn ontworpen om via tactiele feedback fijne taken zoals het sorteren van kleine onderdelen uit te voeren, met als testomgeving onder meer winkels van de Canadese keten Canadian Tire.
Hoe ver is de techniek?
De vooruitgang is de afgelopen vijf jaar duidelijk versneld, vooral dankzij goedkopere rekenkracht voor simulaties en de doorbraak van grote taalmodellen die nu ook op robotdata worden losgelaten. Toch blijft behendige manipulatie een van de moeilijkste openstaande problemen in de robotica.
De belangrijkste obstakels zijn hardwarematig: robothanden met veel vrijheidsgraden zijn nog steeds duur (al snel tienduizenden euro's per stuk), breekbaar en lastig te onderhouden. Tactiele sensoren zijn bovendien minder geavanceerd dan menselijke huid; ze detecteren vaak alleen druk op een beperkt aantal punten in plaats van een continu, fijnmazig gevoel.
Op softwaregebied is het grootste probleem generalisatie: een robot die is getraind om een kop vast te pakken, kan daarmee nog niet automatisch ook een bril of een stuk fruit oppakken. Onderzoekers werken aan zogeheten foundation models voor robotica – grote, algemene modellen getraind op enorme hoeveelheden robotdata van verschillende laboratoria – in de hoop dat dit dezelfde generalisatiesprong oplevert die taalmodellen als GPT hebben laten zien voor tekst.
Vrijwel alle experts zijn het erover eens dat we nog jaren, mogelijk tien jaar of langer, verwijderd zijn van robothanden die qua souplesse en betrouwbaarheid een gemiddelde mensenhand evenaren voor de volle breedte aan huishoudelijke taken. Gecontroleerde, herhaalbare taken in magazijnen en fabrieken zijn wel al haalbaar en worden nu commercieel uitgerold.
Wie werken eraan?
In de Verenigde Staten zijn OpenAI, Google DeepMind, Tesla, Figure AI en Boston Dynamics (nu eigendom van het Zuid-Koreaanse Hyundai) toonaangevend, samen met academische centra als het MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), Stanford en de University of California, Berkeley (bekend van het BAIR-lab).
In Europa richt het Duitse DLR (Deutsches Zentrum für Luft- und Raumfahrt) zich al sinds de jaren negentig op robothanden, oorspronkelijk voor ruimtevaarttoepassingen. Het Britse bedrijf Shadow Robot Company bouwt al twintig jaar de veelgebruikte Shadow Dexterous Hand die als onderzoeksplatform dient voor talloze universiteiten.
In Noorwegen is 1X Technologies actief (deels gefinancierd door OpenAI), en in Canada werkt Sanctuary AI aan tactiele handen. China investeert zwaar in humanoïde robotica via bedrijven als Unitree en UBTech, met steun van lokale overheden die de sector als strategisch beschouwen.
Ten slotte spelen chipmakers zoals NVIDIA een steeds grotere rol, niet door zelf handen te bouwen, maar door simulatiesoftware (zoals het Isaac-platform) te leveren waarmee andere bedrijven hun robots virtueel kunnen trainen voordat ze de fysieke wereld ingaan.