Repulsieve bias
Stel je twee magneten voor met dezelfde pool naar elkaar toe: hoe dichter je ze bij elkaar brengt, hoe harder ze elkaar wegduwen. Dat duwtje-op-afstand is in de kern wat een repulsieve bias is: een ingebouwde neiging van een systeem om afstand te houden van iets, waarbij de kracht van die afstoting groter wordt naarmate je dichterbij komt. In de techniek gebruikt men dit principe om machines, robots of software op een natuurlijke, soepele manier weg te sturen van dingen die ze moeten vermijden, zonder dat er een mens hoeft in te grijpen.
Een zelfrijdende auto die netjes om een voetganger heen zwenkt, een zwerm drones die elkaar tijdens een lichtshow nooit raakt, of een chirurgische robot die automatisch terugveert zodra hij te dicht bij een zenuw komt: in al deze gevallen rekent een onderliggend algoritme continu een soort onzichtbaar 'afstotingsveld' rond gevaarlijke of ongewenste plekken uit. Dat veld duwt de beweging van het systeem net zo lang bij die plek vandaan totdat de afstand weer veilig is. Die vooringenomenheid richting 'weg van' is de repulsieve bias.
Wat is het precies?
De meest bekende technische uitwerking van dit idee heet de Artificial Potential Field-methode (kunstmatig potentiaalveld), meestal afgekort als APF. Het idee is simpel te visualiseren: je tekent over de hele omgeving van een robot een landschap van heuvels en dalen, en de robot rolt als het ware vanzelf naar het laagste punt.
Dat landschap bestaat uit twee lagen. De eerste is een aantrekkende potentiaal: het doel van de robot ligt in een diep dal, zodat de robot er als vanzelf naartoe 'rolt', vergelijkbaar met een bal die een helling afrolt naar het laagste punt. De tweede laag is de repulsieve potentiaal: rond elk obstakel wordt een heuvel gelegd. Hoe dichter de robot bij het obstakel komt, hoe steiler die heuvel wordt, zodat de robot er automatisch vanaf glijdt. Voorbij een bepaalde afstand vlakt de heuvel af tot nul, zodat obstakels die ver weg zijn geen invloed meer hebben.
Door beide lagen bij elkaar op te tellen ontstaat op elk moment één netto richting: de plek waar de 'helling' het steilst naar beneden wijst. Die richting bepaalt in welke richting de robot op dat moment beweegt. Omdat deze berekening razendsnel en lokaal gebeurt, kan het systeem tientallen keren per seconde herberekenen en dus in real time reageren op bewegende obstakels, zonder dat het steeds een compleet nieuw pad hoeft uit te stippelen.
Dit basisprincipe is later ook toegepast buiten de klassieke robotica: bij zwermgedrag van drones duwt elke drone de andere drones in zijn buurt een beetje weg om botsingen te voorkomen, en in sommige onderzoek naar kunstmatige intelligentie wordt eenzelfde soort 'wegduw-mechanisme' gebruikt om een systeem uit ongewenste toestanden of te voorspelbare oplossingen te houden.
Wat wil men ermee bereiken?
De belangrijkste belofte van repulsieve bias is veiligheid zonder zware rekenkracht. Een volledig vooraf uitgestippeld pad herberekenen zodra er iets beweegt, kost tijd en rekenkracht; een lokaal krachtveld hoeft alleen de omgeving vlak om het systeem heen te kennen en reageert bijna instantaan. Dat maakt de aanpak aantrekkelijk voor kleine, energiezuinige apparaten zoals drones of magazijnrobots die geen zware computer aan boord hebben.
Een tweede doel is schaalbaarheid bij groepen. Vogelzwermen en visscholen laten zien dat je met simpele lokale regels ('houd afstand van je buren, maar blijf wel bij de groep') complex, gecoördineerd gedrag krijgt zonder centrale aansturing. Onderzoekers willen datzelfde principe gebruiken om tientallen of honderden robots of drones veilig samen te laten werken, zonder dat één centrale computer alles hoeft te regisseren.
Tot slot is er een bredere, meer filosofische ambitie: systemen bouwen die 'zachte' grenzen respecteren in plaats van harde verboden. In plaats van een robot strikt te verbieden een bepaalde zone te betreden, geef je hem een voorkeur om die zone te vermijden. Dat levert vaak vloeiender, natuurlijker gedrag op dan een systeem dat abrupt stopt of een harde regel volgt.
Voorbeelden uit de praktijk
Het concept is niet nieuw, maar de toepassingen worden steeds diverser:
- Robotarmen en mobiele robots (1985-1986): Oussama Khatib, destijds verbonden aan Stanford University, publiceerde het baanbrekende werk over kunstmatige potentiaalvelden voor real-time obstakelvermijding bij robotarmen en mobiele robots. Dit wordt algemeen gezien als het startpunt van de APF-methode in de robotica.
- Boids en zwermgedrag (1987): computerwetenschapper Craig Reynolds ontwikkelde het 'Boids'-model, dat vogelzwermen simuleerde met drie eenvoudige regels, waaronder 'scheiding': houd afstand van te dichtbij zwevende buren. Deze repulsieve regel vormt tot op vandaag de basis van veel zwermrobotica-simulaties en van de choreografie achter drone-lichtshows.
- Virtuele hekjes in teleoperatie (begin jaren '90): onderzoeker Louis Rosenberg beschreef zogeheten 'virtual fixtures': onzichtbare krachtvelden die een op afstand bestuurde robotarm wegduwen uit gevaarlijke zones, zodat een menselijke operator minder snel fouten maakt. Dit idee vormt een vroege basis voor veiligheidszones die je vandaag terugziet in onderzoek naar chirurgische robotica.
- Dronezwermen: onderzoeksgroepen zoals het GRASP Lab van de University of Pennsylvania, onder leiding van Vijay Kumar, hebben in de jaren 2010 geavanceerde formatievluchten met meerdere drones ontwikkeld waarbij afstotende krachten tussen drones onderling botsingen voorkomen.
- Zelfrijdende voertuigen: vroege experimentele zelfrijdende auto's, zoals Stanfords 'Stanley' die in 2005 de DARPA Grand Challenge won, gebruikten kostenvelden rond obstakels die conceptueel sterk lijken op repulsieve potentiaalvelden, als onderdeel van hun lokale bewegingsplanning.
Bij veel hedendaagse commerciële producten, van magazijnrobots tot drone-fabrikanten, is niet altijd publiek gedocumenteerd of en hoe precies zij een repulsief veld gebruiken; fabrikanten delen die details vaak niet volledig, dus dergelijke claims over specifieke producten zijn met enige voorzichtigheid te lezen.
Hoe ver is de techniek?
De kern van repulsieve bias, de Artificial Potential Field-methode, bestaat al meer dan drie decennia en geldt als een volwassen, goed begrepen techniek. Tegelijk kent de methode een bekende, hardnekkige zwakte: het zogeheten lokale-minimaprobleem. Soms heffen de aantrekkende kracht naar het doel en de afstotende kracht van een obstakel elkaar precies op, bijvoorbeeld in een smalle doorgang of bij een U-vormig obstakel. De robot komt dan tot stilstand op een plek die niet het doel is, zonder dat er nog een netto kracht is die hem verder beweegt.
Om dat probleem te ondervangen combineren moderne systemen de snelle, lokale reactie van een potentiaalveld vaak met een trager maar grondiger algoritme dat vooraf een globaal pad uitstippelt, zoals de zogeheten RRT- of RRT*-methode (Rapidly-exploring Random Trees). Het potentiaalveld zorgt dan voor de snelle, reflexmatige uitwijkbeweging, terwijl de globale planner garandeert dat het systeem uiteindelijk niet vastloopt.
Een recentere ontwikkeling is dat onderzoekers repulsief gedrag niet meer met de hand programmeren als wiskundige formule, maar het via machinaal leren en simulatie laten ontstaan, bijvoorbeeld met reinforcement learning. Dat maakt het gedrag flexibeler en beter aanpasbaar aan complexe situaties, maar ook lastiger te doorgronden en te garanderen: waarom een neuraal netwerk in een specifiek geval precies die uitwijkbeweging kiest, is niet altijd volledig te herleiden.
Belangrijk om eerlijk te benoemen: 'repulsieve bias' is geen strak afgebakend, universeel vakbegrip met één vaststaande definitie, zoals bijvoorbeeld 'kwantumverstrengeling' dat wel is. Het is eerder een beschrijvende term voor een familie van verwante mechanismen die in de robotica, zwermgedrag en soms in bredere AI-context voorkomen. Concrete implementaties en de exacte terminologie kunnen daardoor per vakgebied en per onderzoeksgroep verschillen.
Wie werken eraan?
Academisch is Stanford University een historisch zwaartepunt, vanwege het pionierswerk van Oussama Khatib. Andere gerenommeerde onderzoeksinstituten op het gebied van robotnavigatie en zwermgedrag zijn het Robotics Institute van Carnegie Mellon University, CSAIL aan het Massachusetts Institute of Technology (MIT), het GRASP Lab aan de University of Pennsylvania, en diverse Europese groepen zoals die aan ETH Zürich, die bekendstaan om onderzoek naar autonome drones.
Op bedrijfsniveau passen fabrikanten van magazijnrobots, drones en zelfrijdende voertuigen vormen van obstakelvermijding toe die schatplichtig zijn aan dit soort veldmethodes, al maken de meeste bedrijven hun exacte algoritmes niet openbaar. In de Verenigde Staten heeft defensieonderzoeksbureau DARPA door de jaren heen meerdere programma's gefinancierd rond autonome navigatie en zwermrobotica, wat mede heeft bijgedragen aan de verdere ontwikkeling van dit soort technieken.