Contactbewuste besturing: robots die leren voelen wat ze aanraken
Stel je voor dat je in het donker een kamer doorloopt. Je handen tasten voor je uit, je voeten voelen of de vloer stevig is, en zodra je iets raakt, stuur je automatisch bij. Dat is ongeveer wat contactbewuste besturing een robot laat doen: in plaats van blind een vooraf bepaald pad te volgen, gebruikt de robot informatie over fysiek contact met zijn omgeving om zijn bewegingen voortdurend aan te passen. Raakt een poot een steen, dan verschuift het gewicht; klemt een vingergrijper net iets te hard, dan geeft de motor iets mee.
Dit klinkt vanzelfsprekend voor mensen en dieren, maar voor de meeste robots is het allesbehalve standaard. Klassieke robotarmen in fabrieken volgen exact geprogrammeerde bewegingen en zijn juist zo ontworpen dat ze nooit onverwacht ergens tegenaan komen: contact is een storing die vermeden moet worden. Contactbewuste besturing draait die logica om. Het beschouwt aanraking niet als probleem maar als bruikbare informatie, en soms zelfs als iets dat de robot actief moet opzoeken, bijvoorbeeld om overeind te blijven op een gladde ondergrond of om steun te vinden aan een muur.
Wat is het precies?
Traditioneel worden robots aangestuurd met positiebesturing: de motoren krijgen de opdracht om een gewricht naar een exacte hoek te bewegen, ongeacht wat er onderweg gebeurt. Dat werkt goed in een voorspelbare fabriekshal, maar faalt zodra de robot iets onverwachts raakt: de motor blijft dan met kracht doordrukken, wat schade kan veroorzaken aan de robot zelf, aan het voorwerp, of aan een mens in de buurt.
Contactbewuste systemen voegen twee dingen toe. Ten eerste sensoren: krachtsensoren in de gewrichten meten hoeveel weerstand een robot voelt, en tastsensoren (vaak kleine rubberen kussentjes met sensortjes erin, zoals de GelSight-sensor die aan het Amerikaanse MIT is ontwikkeld) registreren druk en vorm op vingertoppen. Ten tweede software die deze signalen direct verwerkt in de besturing, via een principe dat impedantieregeling of compliant control heet: de robot gedraagt zich niet als een stijve stang, maar als een instelbare veer. Raakt hij iets, dan geeft hij mee in plaats van met volle kracht door te duwen. Hoe stugger die virtuele veer wordt ingesteld, hoe preciezer maar ook hoe risicovoller de beweging wordt.
Een geavanceerdere laag heet contact-implicit trajectory optimization, letterlijk baanplanning waarin contact is ingebouwd. Hierbij berekent een computer vooraf niet alleen welke bewegingen een robot moet maken, maar ook wanneer en waar hij contact mag maken, als onderdeel van dezelfde wiskundige planning. Dat is complexe rekenkunde, omdat contact een aan-of-uit-gebeurtenis is (je raakt iets, of niet) die lastig in gladde wiskundige formules past. Onderzoekers zoals Michael Posa (University of Pennsylvania) en Justin Carpentier (het Franse onderzoeksinstituut INRIA) hebben hier methoden voor ontwikkeld die inmiddels ook in praktische robotsoftware terechtkomen.
Wat wil men ermee bereiken?
Het uiteindelijke doel is dat robots zich kunnen redden buiten de gecontroleerde fabriekshal. In een huis, magazijn of rampgebied is de omgeving rommelig en nooit helemaal zoals verwacht. Een robot die alleen op camera's vertrouwt, raakt in de problemen zodra het donker is, er stof hangt, of een object net anders ligt dan voorzien. Tastzin en contactinformatie vormen een extra, robuustere informatiebron die blijft werken wanneer zicht tekortschiet.
Voor benenrobots, denk aan viervoetige of tweevoetige machines, betekent dit dat ze over oneffen terrein kunnen lopen, kunnen herstellen van een misstap, of zelfs steun kunnen zoeken tegen een muur of leuning, net zoals mensen dat doen. Voor grijparmen en robothanden betekent het dat ze voorwerpen kunnen oppakken zonder ze te pletten of te laten vallen, en fijne taken kunnen uitvoeren zoals een stekker in een stopcontact steken of was opvouwen: taken die millimeterprecisie en direct gevoel vereisen. Een derde doel is veiligheid: robots die contact aanvoelen, kunnen onmiddellijk kracht verminderen zodra ze een mens raken, wat essentieel is voor samenwerking tussen mens en robot (ook wel cobots genoemd) op de werkvloer. Zonder die gevoeligheid moeten robots ver van mensen worden afgeschermd, wat samenwerking in de praktijk onmogelijk maakt.
Voorbeelden uit de praktijk
ANYmal (ETH Zürich en spin-off ANYbotics, in ontwikkeling sinds ongeveer 2016): een viervoetige robot die dankzij krachtsensoren in de poten over puin kan klimmen en door nauwe ruimtes kan kruipen, en inmiddels ook commercieel wordt ingezet voor inspecties van industriële installaties zoals gasfabrieken en energiecentrales.
Mini Cheetah (MIT Biomimetic Robotics Lab, onder leiding van Sangbae Kim, vanaf 2019): gebruikte een vorm van modelvoorspellende besturing die real-time rekening houdt met contactkrachten in de poten, waardoor de robot kon rennen, saltomortale maken en herstellen van uitglijden op gladde ondergrond.
Atlas van Boston Dynamics (parkourdemonstraties tussen 2021 en 2023): een tweevoetige robot die zijn handen en armen niet alleen gebruikt om te grijpen, maar ook om zich af te zetten tegen platforms, wat vereist dat contactkrachten vooraf worden meegepland.
GelSight-tastsensoren (ontwikkeld aan het MIT, commercieel verkrijgbaar sinds begin jaren 2020): kleine camera's onder een rubberen laagje die de vorm van een aanraking in fijn detail meten, gebruikt door onderzoeksgroepen wereldwijd, waaronder aan Berkeley en Carnegie Mellon University, om robothanden fijne grijptaken te leren.
Toyota Research Institute (onderzoek gepubliceerd tussen 2019 en 2023): combineert simulatie en training in de echte wereld om robotarmen contactrijke taken te leren, zoals het openen van deuren, het hanteren van keukengerei of het monteren van onderdelen.
Hoe ver is de techniek?
Voor beenrobots is contactbewuste besturing relatief volwassen: machines als ANYmal en de tweevoetige robots van Boston Dynamics lopen al jaren betrouwbaar over oneffen terrein, grotendeels dankzij contactinformatie uit de poten. Deze toepassing is het laboratorium voorbij en wordt al ingezet bij bijvoorbeeld inspecties van fabrieken en offshore-installaties.
Voor fijne, contactrijke manipulatie, het soort taken dat een mensenhand moeiteloos uitvoert, zoals een sok aantrekken of een sleutel in een slot draaien, staat het onderzoek nog veel minder ver. Twee knelpunten spelen hierbij een rol. Ten eerste vergt het meeplannen van contact in real time veel rekenkracht, waardoor onderzoekers vaak versimpelde modellen gebruiken die niet elke situatie dekken. Ten tweede bestaat er een probleem dat de sim-to-real gap wordt genoemd: contactfysica, zoals wrijving en de vervorming van zachte materialen, is notoir lastig nauwkeurig te simuleren, waardoor gedrag dat in een simulatie perfect werkt in de echte wereld kan mislukken.
Tastsensoren zelf zijn ook nog niet zo ver als nodig is voor massaproductie: ze zijn vaak duur, kwetsbaar, of leveren te ruizige signalen om betrouwbaar op te vertrouwen. De richting van het onderzoek is veelbelovend, maar een concrete tijdlijn voor wanneer contactbewuste besturing net zo alledaags wordt als camera's in robots, is niet te geven. Onderzoekers spreken eerder over een geleidelijke opschaling per toepassing dan over één duidelijk doorbraakmoment.
Wie werken eraan?
Toonaangevend academisch werk komt van het Massachusetts Institute of Technology, met onder meer het Biomimetic Robotics Lab van Sangbae Kim en het Improbable AI Lab, en van de ETH Zürich, waar het Robotic Systems Lab onder leiding van Marco Hutter de ANYmal-robot ontwikkelde. De University of Pennsylvania (onderzoeker Michael Posa) en het Franse onderzoeksinstituut INRIA (Justin Carpentier, ontwikkelaar van de veelgebruikte softwarebibliotheek Pinocchio) zijn toonaangevend in de wiskundige kant van contactplanning.
Op bedrijfsniveau investeren Boston Dynamics, Toyota Research Institute en chipmaker NVIDIA (dat simulatiesoftware zoals Isaac Sim levert voor het trainen van contactrijk robotgedrag) fors in dit veld. Ook de nieuwe golf humanoïde-robotbedrijven, waaronder Figure AI, Agility Robotics en Tesla met zijn Optimus-project, bouwt kracht- en tastsensoren in om robots veilig met objecten en mensen te laten omgaan. Landen die opvallend actief zijn in dit onderzoeksveld zijn de Verenigde Staten, Zwitserland, Frankrijk, Duitsland, en in toenemende mate China en Zuid-Korea.