Bewegingsprimitief: de bouwstenen achter robotbewegingen
Een bewegingsprimitief is de kleinste herbruikbare bouwsteen waarmee een robot, een virtueel personage of een besturingssysteem een complexe beweging opbouwt. Vergelijk het met taal: losse letters zeggen weinig, maar gecombineerd tot woorden en zinnen ontstaat betekenis. Zo is een bewegingsprimitief een kort, op zichzelf staand stukje beweging – bijvoorbeeld “een stap naar voren zetten” of “een arm strekken” – dat een robot kan combineren, herhalen en aanpassen om ingewikkeld gedrag te vertonen, zonder dat elke beweging helemaal opnieuw hoeft te worden uitgerekend.
Denk aan een robothond die over oneffen terrein loopt. In plaats van voor elke centimeter grond een compleet nieuwe berekening te maken, put de robot uit een soort intern repertoire: een primitief voor “stap zetten”, een voor “balans herstellen na een wankeling” en een voor “opstaan na een val”. Die primitieven worden razendsnel na elkaar of door elkaar heen ingezet en een beetje aangepast aan de situatie, waardoor er vloeiende, aangepaste beweging ontstaat. Dat is efficiënter, sneller en vaak stabieler dan alles vanaf nul programmeren.
Wat is het precies?
Technisch gezien is een bewegingsprimitief een korte, parametriseerbare beweegpatroon: een reeks posities, snelheden of krachten over tijd, die je met een paar “knoppen” (parameters) kunt aanpassen – bijvoorbeeld sneller, verder, of in een andere richting – zonder de vorm van de beweging te verliezen.
Er zijn grofweg twee manieren waarop zulke primitieven ontstaan. De eerste is wiskundig ontworpen. Een bekend voorbeeld zijn Dynamic Movement Primitives (DMP’s), een raamwerk dat rond 2002 is voorgesteld door onderzoekers Auke Ijspeert en Stefan Schaal. Een DMP beschrijft een beweging als een soort gedempte veer die naar een doel toe “valt”: de vorm van de oorspronkelijke beweging blijft behouden, maar het eindpunt, de snelheid en de duur zijn eenvoudig te veranderen. Zo kan een robotarm die geleerd heeft een kop koffie te pakken, met dezelfde onderliggende beweging ook een kop op een andere plek pakken.
De tweede manier is dat primitieven worden geleerd, bijvoorbeeld met reinforcement learning (een vorm van machine learning waarbij een systeem via vallen en opstaan – beloning en straf – leert welk gedrag werkt) of door het nadoen van menselijke demonstraties. In plaats van dat een ingenieur de beweging vooraf uitschrijft, ontdekt een algoritme in simulatie zelf welke korte bewegingspatronen bruikbaar zijn.
Op een hoger niveau worden primitieven ook gebruikt in padplanning, bijvoorbeeld voor zelfrijdende auto’s, drones of Marsrovers. Daar bestaat een bibliotheek van korte, haalbare bewegingen (soms een “motion primitive lattice” of rooster genoemd) die al rekening houden met de fysieke beperkingen van het voertuig, zoals de minimale draaicirkel. Een planningsalgoritme hoeft dan niet elke mogelijke beweging te verzinnen, maar kiest en combineert alleen uit die vooraf gevalideerde bouwstenen.
In de praktijk werkt dit meestal hiërarchisch: een hoger controlesysteem beslist “wat” er moet gebeuren (bijvoorbeeld: over een drempel stappen) en kiest daarbij de juiste primitief met de juiste parameters, terwijl een onderliggend, snel regelsysteem die primitief daadwerkelijk uitvoert en op basis van sensordata bijstuurt.
Wat wil men ermee bereiken?
Het belangrijkste doel is herbruikbaarheid. Zonder primitieven zou een robot voor elke nieuwe taak of elke nieuwe ondergrond de volledige beweging opnieuw moeten berekenen, wat traag en foutgevoelig is. Met een bibliotheek van bouwstenen kan een systeem sneller reageren en makkelijker generaliseren naar situaties die het nog niet eerder precies zo heeft meegemaakt.
Een tweede doel is efficiënter leren. Bij machine learning is het lastig om een robot vanaf nul te laten ontdekken hoe je moet lopen, puur op basis van los aansturen van elke motor. Door het probleem te herformuleren in termen van herbruikbare primitieven, hoeft een lerend systeem niet steeds bij nul te beginnen en zijn er minder trainingspogingen (en dus minder tijd en rekenkracht) nodig.
Daarnaast spelen veiligheid en voorspelbaarheid een rol. Een vooraf gevalideerde primitief – getest op stabiliteit, krachten en grenzen van het mechanisme – is betrouwbaarder dan een compleet vrij gegenereerde beweging. Dat is belangrijk bij toepassingen waarbij fouten gevaarlijk of kostbaar zijn, zoals chirurgische robots of rovers op een andere planeet die niemand ter plekke kan repareren.
Ten slotte is er een meer ambitieuze, langetermijndoelstelling: bewegingsprimitieven worden gezien als een van de bouwstenen richting robots die niet voor één specifieke taak zijn geprogrammeerd, maar die met een repertoire aan basisvaardigheden zelfstandig nieuwe taken kunnen samenstellen – ongeveer zoals mensen niet voor elke nieuwe handeling opnieuw hoeven te leren lopen of grijpen.
Voorbeelden uit de praktijk
Dynamic Movement Primitives (vanaf 2002). Het werk van Ijspeert en Schaal vormde de basis voor talloze latere studies. Onderzoekers als Peter Pastor en Ludovic Righetti bouwden hierop voort met werk (rond 2009) waarin robotarmen reik- en grijpbewegingen leerden door menselijke demonstraties na te bootsen en daarna aan te passen aan nieuwe situaties, zoals een obstakel dat plotseling in de weg staat.
ANYmal en het Robotic Systems Lab van de ETH Zürich. Onder leiding van hoogleraar Marco Hutter ontwikkelde dit laboratorium bewegingscontrollers voor de vierpotige robot ANYmal die grotendeels met reinforcement learning zijn getraind. In 2019 publiceerde het team in het vakblad Science Robotics onderzoek waarin de robot leerde herstellen van struikelingen en over ruig terrein te lopen – gedrag dat is opgebouwd uit geleerde, herbruikbare bewegingspatronen in plaats van handmatig geprogrammeerde looppassen.
Boston Dynamics’ Atlas. De bekende sprong-, parkour- en dansdemonstraties van de humanoïde robot Atlas, getoond tussen 2021 en 2023, zijn opgebouwd uit een bibliotheek van vooraf geoptimaliseerde bewegingssequenties die met behulp van trajectorie-optimalisatie (wiskundige technieken om de best mogelijke beweging binnen fysieke grenzen te berekenen) aan elkaar worden geregen.
Padplanning voor planeetrovers. Onderzoekers als Mihail Pivtoraiko en Alonzo Kelly van Carnegie Mellon University werkten in de jaren 2000 aan zogeheten “state lattices”: roosters van korte, haalbare bewegingsprimitieven waarmee een rover snel en veilig een pad kan plannen over onbekend terrein, met de fysieke beperkingen van het voertuig al ingebouwd.
Chirurgische robots. In de medische robotica wordt onderzoek gedaan naar “surgemes” (chirurgische gebaren): korte, herkenbare bewegingspatronen zoals een hechtbeweging of een knoop leggen, die onder meer bij de Johns Hopkins University zijn bestudeerd om chirurgische robots als het da Vinci-systeem beter te trainen, te analyseren en op termijn deels te automatiseren.
Hoe ver is de techniek?
Wiskundig ontworpen primitieven zoals DMP’s zijn inmiddels een volwassen, veelgebruikt gereedschap in de academische robotica en bij sommige industriële robotarmen. Ze zijn goed te doorgronden en relatief eenvoudig te implementeren.
Geleerde bewegingsprimitieven, gebaseerd op reinforcement learning, maken sinds ongeveer 2015-2019 een snelle ontwikkeling door, mede dankzij krachtigere rekenkracht en betere simulatiesoftware. Viervoetige robots zoals ANYmal en de robots van het Chinese bedrijf Unitree lopen inmiddels betrouwbaar over grillig terrein. Sinds 2023-2025 passen ook humanoïde robotprojecten – zoals Figure AI, 1X Technologies, Tesla’s Optimus en de humanoïde modellen van Unitree – vergelijkbare, op primitieven gebaseerde besturingstechnieken toe voor complexere, hele-lichaamsbewegingen.
Toch zijn er nog stevige obstakels. Het soepel overschakelen tussen primitieven – zonder haperingen of instabiliteit – blijft lastig, vooral bij onvoorspelbare omgevingen. Ook is er het bekende “sim-to-real gap”-probleem: gedrag dat in simulatie perfect werkt, gedraagt zich in de echte wereld door wrijving, slijtage en sensorruis vaak net anders. Formele garanties over veiligheid en stabiliteit van geleerde primitieven zijn bovendien lastig te geven, wat de inzet in kritieke toepassingen zoals chirurgie voorlopig beperkt tot ondersteunende of experimentele rollen. Kortom: de techniek werkt overtuigend in laboratoria en gecontroleerde demonstraties, maar robuuste, dagelijkse inzet buiten die context – bijvoorbeeld een humanoïde robot die zelfstandig in een willekeurig huishouden functioneert – is nog niet gerealiseerd.
Wie werken eraan?
Toonaangevende spelers zijn onder meer Boston Dynamics (Verenigde Staten), het Robotic Systems Lab van de ETH Zürich onder leiding van Marco Hutter, en onderzoeksgroepen aan het MIT, Carnegie Mellon University, Stanford en Berkeley in de Verenigde Staten. Op het gebied van simulatie en trainingsgereedschap voor bewegingsvaardigheden speelt chipmaker NVIDIA een grote rol, onder meer met simulatieplatform Isaac Gym/Isaac Lab.
In de industrie werken bedrijven als Figure AI, 1X Technologies, Tesla (met het Optimus-project) en het Chinese Unitree aan humanoïde en viervoetige robots die op bewegingsprimitieven gebaseerde besturing gebruiken. Op medisch vlak doet Johns Hopkins University onderzoek naar bewegingsprimitieven voor chirurgische robotica. Daarnaast dragen onderzoeksgroepen in de ruimtevaart, zoals aan Carnegie Mellon University, bij aan primitief-gebaseerde padplanning voor rovers, in samenwerking met ruimtevaartorganisaties.