Mobiele manipulator: de robot die zich verplaatst én grijpt
Stel je een fabrieksrobot voor: een robotarm die op een vaste plek staat en de hele dag hetzelfde onderdeel oppakt. Nu stel je een robotstofzuiger voor: die rijdt overal rond, maar kan niets vastpakken. Een mobiele manipulator combineert beide vaardigheden in één machine. Het is een robot die zichzelf door een ruimte kan verplaatsen én tegelijk met een arm en grijper voorwerpen kan oppakken, verplaatsen of bewerken.
Denk aan een robot die door een magazijn rijdt, zelf een doos van een schap pakt en die op een pallet zet, zonder dat een mens de doos hoeft aan te reiken. Of een robot in een ziekenhuis die van kamer naar kamer rijdt en daar zelf medicijnbakjes uit een kast haalt. Die combinatie van rijden (mobiliteit) én grijpen (manipulatie) klinkt eenvoudig, maar is technisch een van de lastigste opgaven in de robotica.
Wat is het precies?
Een mobiele manipulator bestaat in de basis uit twee delen: een mobiel platform (wielen, rupsbanden of poten waarmee de robot zich verplaatst) en een manipulator (een robotarm met grijper, vaak vergelijkbaar met de armen die je in fabrieken ziet, maar dan lichter en compacter). Het bijzondere zit in hoe die twee delen samenwerken.
Om zich te verplaatsen gebruikt de robot meestal SLAM (Simultaneous Localization and Mapping): met camera's, lasersensoren (lidar) en soms radar bouwt de robot een plattegrond van zijn omgeving op en bepaalt hij tegelijk waar hij zichzelf op die plattegrond bevindt. Zo kan hij een pad plannen en obstakels ontwijken.
Voor het grijpen is computervisie nodig: camera's en dieptesensoren die bepalen waar een object precies ligt, hoe het gedraaid is en hoe zwaar het ongeveer is. Op basis daarvan berekent de robot een grijpbeweging. Bij eenvoudige, bekende objecten (zoals een doos met vaste afmetingen) is dat relatief overzichtelijk; bij onbekende, onregelmatige voorwerpen (een stuk fruit, verfrommelde kleding) is dit nog altijd lastig.
Het echte technische probleem is de coördinatie tussen rijden en grijpen. Als een arm ver naar voren reikt terwijl het onderstel nog beweegt, verschuift het zwaartepunt van de robot. Vooral bij robots op poten (in plaats van wielen) moet het besturingssysteem dus voortdurend het evenwicht bewaken terwijl het tegelijk een precieze grijpbeweging uitvoert. Ingenieurs noemen dit whole-body control: het hele lichaam van de robot, niet alleen de arm, wordt als één samenhangend systeem aangestuurd.
Wat wil men ermee bereiken?
De belofte van mobiele manipulatoren is dat ze taken kunnen overnemen die te gevarieerd zijn voor een vaste fabrieksrobot, maar te fysiek zwaar, repetitief of gevaarlijk zijn om alleen aan mensen over te laten. Een lasrobot aan de lopende band hoeft nooit te verhuizen; een magazijnmedewerker die spullen van verschillende schappen pakt, doet elke minuut iets anders én loopt daarbij rond. Precies dat tweede type werk is wat mobiele manipulatoren willen automatiseren.
Concrete doelen die vaak genoemd worden: het tekort aan personeel in logistiek en zorg opvangen, gevaarlijk werk (zoals hanteren van zware of gevaarlijke stoffen) overnemen, en op termijn huishoudelijke taken uit handen nemen bij ouderen of mensen met een beperking. Ook wetenschappelijk is er interesse: onderzoekers gebruiken deze robots als testomgeving om te begrijpen hoe waarneming, planning en beweging in een fysieke wereld samenkomen, iets wat ook relevant is voor bredere kunstmatige-intelligentie-onderzoek.
Het is belangrijk om onderscheid te maken tussen het onderzoeksdoel en de huidige praktijk: veel van deze ambities zijn nog toekomstbeelden, geen dagelijkse realiteit.
Voorbeelden uit de praktijk
PAL Robotics TIAGo (Spanje, sinds 2016): een onderzoeksrobot op wielen met één arm, veel gebruikt door universiteiten wereldwijd om algoritmes voor grijpen en navigatie te testen.
Toyota HSR (Human Support Robot, sinds 2012): een lichte, compacte huishoudrobot die voorwerpen van de grond of tafel kan oppakken. Toyota gebruikt hem vooral als onderzoeksplatform en organiseert er wereldwijd robotwedstrijden mee (de RoboCup@Home-competities), niet als consumentenproduct.
Boston Dynamics Spot met arm (Verenigde Staten, arm-optie sinds 2020): de bekende vierpotige robothond kreeg een optionele arm waarmee hij kleppen kan opendraaien of voorwerpen kan oppakken tijdens inspectierondes in fabrieken en installaties.
Fetch Robotics (Verenigde Staten, 2015; overgenomen door Zebra Technologies in 2021): mobiele robots met arm die in magazijnen artikelen tussen schappen en verzendstations verplaatsten, een van de eerste commerciële toepassingen buiten laboratoria.
Figure AI en Agility Robotics (Verenigde Staten, 2023-2024): beide bedrijven testen tweebenige, mensachtige mobiele manipulatoren (Figure 02 en Digit) in proefprojecten bij onder meer autofabrikanten en logistieke bedrijven zoals Amazon, waarbij de robots dozen verplaatsen of eenvoudige assemblagetaken uitvoeren onder toezicht.
Hoe ver is de techniek?
Mobiele manipulatoren zitten grotendeels nog in de fase van pilots en gecontroleerde omgevingen, niet van grootschalige, zelfstandige inzet. In magazijnen is de techniek het verst: hier is de omgeving relatief voorspelbaar (rechte gangpaden, bekende doosmaten), waardoor robots als die van Fetch en vergelijkbare systemen al langere tijd operationeel zijn, meestal wel met menselijke supervisie of in samenwerking met mensen.
In minder gestructureerde omgevingen, zoals een huishouden of een ziekenhuiskamer, is de betrouwbaarheid nog een groot obstakel. Objecten zijn er onvoorspelbaar van vorm, ligging en gewicht, en fouten zijn daar duurder (een omgevallen medicijnbakje is iets anders dan een verkeerd geplaatste magazijndoos).
Een belangrijke recente ontwikkeling (2023-2024) is de opkomst van zogeheten foundation models voor robotica: grote, met veel data getrainde AI-modellen (zoals RT-2 en RT-X van Google DeepMind, of het werk van het startup Physical Intelligence) die robots helpen om generieke grijp- en manipulatietaken te leren zonder dat elke taak apart geprogrammeerd hoeft te worden. Onderzoekers zijn hier voorzichtig positief over, maar benadrukken dat deze modellen nog regelmatig falen bij onbekende situaties en dat grootschalige, betrouwbare inzet buiten laboratoria nog niet is aangetoond.
Kosten vormen ook nog een drempel: een mobiele manipulator met voldoende sensoren en rekenkracht kost al snel tientallen- tot honderdduizenden euro's, wat de terugverdientijd in veel toepassingen nog lastig maakt.
Wie werken eraan?
In de Verenigde Staten zijn Boston Dynamics, Figure AI, Agility Robotics, Tesla (met de Optimus-robot) en Google DeepMind prominente spelers, naast onderzoeksuniversiteiten als MIT (CSAIL) en Carnegie Mellon University. In Europa is PAL Robotics (Spanje) een belangrijke naam, samen met onderzoeksinstituten als ETH Zürich (Zwitserland) en TU Delft (Nederland), die beide robotica-onderzoeksgroepen hebben die zich met mobiele manipulatie bezighouden. Japan heeft met Toyota een lange onderzoekstraditie op dit gebied, mede via de HSR-robot.
Daarnaast zijn er gespecialiseerde bedrijven als Covariant (grijp-AI voor magazijnen) en 1X Technologies (mensachtige robots), en investeren grote techbedrijven en logistieke spelers zoals Amazon in eigen onderzoeksafdelingen op dit gebied. Ook internationale organisaties zoals de International Federation of Robotics volgen en publiceren over de ontwikkeling van deze robotcategorie.