Morfologie-optimalisatie: robots die hun eigen lichaam laten ontwerpen
Stel je een ontwerper voor die geen tekening maakt van een robot, maar in plaats daarvan duizenden robotvarianten laat 'evolueren' in een computer, net zoals de natuur soorten laat evolueren. De vormen die het beste presteren bij een taak — bijvoorbeeld zo snel mogelijk lopen of een voorwerp oppakken — planten zich virtueel voort en muteren een beetje, totdat er na vele generaties een lichaamsvorm overblijft die geen mens had bedacht. Dat proces heet morfologie-optimalisatie: het automatisch, met algoritmes, ontwerpen en verbeteren van de fysieke vorm ('morfologie') van een machine of robot.
Het bijzondere is dat de vorm niet los staat van het gedrag. Een klassieke robotarm wordt eerst mechanisch ontworpen en pas daarna geprogrammeerd om te bewegen. Bij morfologie-optimalisatie worden lichaam en besturing tegelijk ontwikkeld: het algoritme past niet alleen de bewegingen aan, maar ook de lengte van de poten, de plaatsing van scharnieren of zelfs het materiaal, zodat vorm en gedrag elkaar optimaal aanvullen. Dat levert soms bizarre, ongewoon ogende constructies op die toch verrassend goed werken — precies omdat ze niet gehinderd worden door menselijke ontwerpconventies.
Wat is het precies?
Morfologie-optimalisatie is in de kern een zoekproces. Een computer genereert een groot aantal mogelijke lichaamsvormen, test ze — meestal in een simulatie, soms in de echte wereld — en beoordeelt hoe goed elke vorm een gestelde taak uitvoert. Op basis van die score worden de beste vormen geselecteerd, licht aangepast en opnieuw getest. Dit herhaalt zich duizenden of miljoenen keren.
De meest gebruikte methode hiervoor is het evolutionair algoritme, geïnspireerd op natuurlijke selectie: ontwerpen 'paren' met elkaar, muteren willekeurig en de zwakste varianten vallen af. Een andere veelgebruikte aanpak is reinforcement learning (versterkend leren), waarbij een algoritme via vallen en opstaan leert welke aanpassingen aan lichaam én gedrag tot beloning leiden, bijvoorbeeld meer afgelegde afstand per seconde.
Belangrijk is het onderscheid met gewone besturingsoptimalisatie. Bij dat laatste staat de vorm van de robot vast en wordt alleen het 'brein' — de software die de motoren aanstuurt — verbeterd. Morfologie-optimalisatie gaat een stap verder: het lichaam zelf is onderdeel van wat er geoptimaliseerd wordt. Dat vereist meestal een simulatieomgeving die niet alleen bewegingen, maar ook fysieke eigenschappen zoals stijfheid, gewicht en wrijving realistisch kan doorrekenen, en vaak 3D-printtechniek om de gevonden ontwerpen daadwerkelijk te bouwen.
Wat wil men ermee bereiken?
Het achterliggende doel is simpel geformuleerd: betere machines door de menselijke aanname los te laten dat een lichaam eerst vastligt en de besturing daarna volgt. Onderzoekers hopen op robots die efficiënter bewegen, minder energie verbruiken, beter bestand zijn tegen schade, of taken uitvoeren waarvoor nog geen goed ontwerp bestaat — denk aan zoekrobots voor instortingen, of piepkleine machines die door bloedvaten moeten navigeren.
Er is ook een fundamentelere ambitie: begrijpen hoe vorm en gedrag in de biologie samen evolueerden. Door dit na te bootsen in software hopen wetenschappers algemene principes te ontdekken over waarom dieren de lichamen hebben die ze hebben, en die kennis te gebruiken om sneller tot bruikbare technische ontwerpen te komen dan met traditioneel, door mensen gestuurd ontwerpwerk.
Buiten de robotica wordt een verwante gedachte toegepast in de bouw- en productietechniek, onder de naam topologie-optimalisatie: software berekent de meest materiaalefficiënte vorm van een onderdeel — bijvoorbeeld een vliegtuigbeugel — die nog steeds sterk genoeg is. Dat scheelt gewicht en grondstoffen, en de resulterende, vaak organisch ogende vormen zijn alleen te maken met 3D-printers.
Voorbeelden uit de praktijk
Evolved Virtual Creatures (1994). Informaticus Karl Sims liet in een van de vroegste en invloedrijkste experimenten virtuele 'schepsels' van simpele blokken evolueren die leerden zwemmen, lopen of springen. Zijn werk toonde voor het eerst dat vorm en beweging samen konden ontstaan uit een evolutionair algoritme, zonder dat een ontwerper vooraf een lichaamsplan bedacht.
Soft robots van Cornell en de University of Vermont (rond 2013-2018). Onderzoekers Nick Cheney, Josh Bongard en Hod Lipson lieten zachte, uit rubberachtige 'voxels' (3D-blokjes) opgebouwde robots evolueren die kropen en liepen. Dit werk legde de basis voor latere platforms waarmee lichaamsvorm en beweging in simulatie samen worden doorontwikkeld.
Xenobots (2020-2021). Een team van de University of Vermont en Tufts University, onder leiding van Josh Bongard, Michael Levin en Sam Kriegman, gebruikte een evolutionair algoritme om de vorm te ontwerpen van piepkleine 'robots' die niet uit metaal maar uit levende kikvorscellen zijn opgebouwd. De computer bepaalde welke celclusters het beste konden bewegen of samenklonteren; die ontwerpen werden vervolgens echt gebouwd uit levend weefsel. Het werk verscheen in het wetenschappelijke tijdschrift PNAS en kreeg wereldwijd aandacht als voorbeeld van 'levende robots'.
RoboGrammar (MIT CSAIL, 2020). Onderzoekers van het Massachusetts Institute of Technology ontwikkelden een systeem dat met een grammaticaregels-achtige aanpak duizenden geldige robotstructuren uit modulaire onderdelen genereert en vervolgens automatisch de best presterende combinatie van vorm en looppatroon selecteert voor oneffen terrein.
Generatief ontwerp bij vliegtuigonderdelen (Airbus, met Autodesk, rond 2015-2016). Airbus liet een kabinescheidingswand herontwerpen met topologie-optimalisatiesoftware. Het resultaat, geïnspireerd op de celstructuur van botten en slijmzwammen, woog ongeveer 45 procent minder dan het origineel bij gelijke sterkte — een voorbeeld van morfologie-optimalisatie in de industriële praktijk, niet in de robotica.
Hoe ver is de techniek?
Morfologie-optimalisatie is verder gevorderd in simulatie dan in de fysieke werkelijkheid. Computers kunnen inmiddels binnen uren miljoenen virtuele lichaamsvormen doorrekenen, maar het omzetten van een gevonden ontwerp naar een werkend, duurzaam fysiek object blijft lastig: materialen gedragen zich in de simulatie nooit helemaal zoals in het echt, en motoren, kabels of batterijen passen niet altijd in de door het algoritme bedachte vorm.
Bij zachte en levende systemen, zoals de Xenobots, is de technologie nog experimenteel en beperkt tot laboratoriumschaal: de 'robots' zijn een paar millimeter groot, leven een beperkte tijd en worden nog niet praktisch ingezet, maar dienen als proof of concept. Bij industriële topologie-optimalisatie, daarentegen, is de techniek al volwassen en wordt ze dagelijks gebruikt in de lucht- en ruimtevaart en de auto-industrie.
Een belangrijk obstakel blijft de rekenkracht die nodig is om lichaam én besturing tegelijk te doorzoeken: het zoekgebied is enorm, en veel gevonden 'optimale' ontwerpen blijken bij nadere inspectie sterk afhankelijk van details in de simulatie die niet overeenkomen met de echte wereld — een probleem dat onderzoekers de 'reality gap' noemen. Er is de afgelopen jaren wel duidelijke vooruitgang geboekt door krachtigere simulatiesoftware en machine learning te combineren, maar een algemeen toepasbaar systeem dat betrouwbaar van simulatie naar fysieke robot gaat, bestaat nog niet.
Wie werken eraan?
Toonaangevend academisch onderzoek komt van de University of Vermont en Tufts University (Verenigde Staten), waar Josh Bongard, Michael Levin en Sam Kriegman werken aan geëvolueerde en levende robots. Aan het Massachusetts Institute of Technology werkt de Computer Science and Artificial Intelligence Laboratory (CSAIL) aan geautomatiseerd robotontwerp zoals RoboGrammar. Cornell University, met onder meer Hod Lipson, heeft een lange traditie in evolutionaire en zachte robotica.
In Europa doen onder meer de EPFL (École Polytechnique Fédérale de Lausanne) in Zwitserland en verschillende Duitse Max Planck-instituten onderzoek naar zachte en bio-geïnspireerde robotica waarin vorm en gedrag samen worden ontwikkeld. In de industrie passen bedrijven als Autodesk (met generatieve ontwerpsoftware) en luchtvaartfabrikanten zoals Airbus topologie-optimalisatie al operationeel toe. Ook techbedrijven met grote AI-onderzoeksafdelingen, waaronder Google DeepMind, publiceren regelmatig over het gecombineerd leren van robotvorm en besturingsbeleid in simulatie.