Auteur: Karl D’haveloose

Je toegewijde auteur Indusruptiv heeft zich net verslikt aan een paper, die Mc Kinsey eind vorig jaar uitbracht. Ik wilde deze toch even met u delen en voorkauwen voor ons publiek van 51K abonnees uit de Benelux-industrie.

In de afgelopen vijftig jaar hebben robots sectoren getransformeerd: van de autoindustrie, waar ze worden gebruikt in pers-, carrosserie- en spuitwerkplaatsen, tot de detailhandel, waar ze door winkelgangen kunnen rollen om de voorraadniveaus te controleren. Hoewel robots van oudsher zeer gespecialiseerd waren en ontworpen waren om één specifieke taak uit te voeren, is er een nieuwe generatie universele robots in de line-up. Deze robots beschikken over meer geavanceerde mogelijkheden dan hun voorgangers en kunnen uiteenlopende, ongerelateerde taken in verschillende omgevingen uitvoeren. Recente technologische vooruitgang heeft de interesse in algemene robotica aangewakkerd, zoals we al schreven in ons ander artikel ‘Zal in embodied versie AI robotcollega's creëren?’. Er blijven echter uitdagingen bestaan, zowel voor de hardware als de software van robots.

De robotparadox

Robots overtreffen mensen ruimschoots in snelheid en nauwkeurigheid bij het analyseren van complexe data, maar ze hebben vaak moeite met navigeren in de echte wereld. Dit contrast vormt de kern van Moravecs-paradox: de constatering dat computers uitblinken in complexe cognitieve taken, zoals rekenen, maar moeite hebben met fysieke taken die voor mensen vanzelfsprekend zijn, zoals het plukken van een bosbes zonder deze te beschadigen.

Traditioneel hebben al deze fysieke beperkingen programmeurs voor grote uitdagingen gesteld en hen gedwongen om nauwgezette, stapsgewijze instructies te ontwikkelen, die de bewegingen van elke robotactuator in de juiste volgorde specificeren. Om de werkdruk te begrijpen, stel je jezelf voor dat je een programma moet schrijven voor het plukken van bosbessen. Bovendien moet het elke spier in je arm, pols, hand en vingers vertellen hoe ver, hoe snel en met welke kracht bewogen moet worden (allemaal gebaseerd op multimodale, realtime feedback van het zenuwstelsel). Het programma zou ook rekening moeten houden met de talloze manieren waarop bosbessen kunnen verschillen in vorm, zachtheid en positie. Omdat de plukker in een constant veranderende omgeving werkt, zou het programma vervolgens rekening moeten houden met dynamische elementen, zoals hoe takken tijdens het plukken kunnen verschuiven en dat het kan waaien of regenen.

Er zijn maar weinig universele robots op grote schaal ingezet, deels vanwege de noodzakelijke intensieve programmering om meerdere fysieke taken aan te sturen. Maar dankzij softwareontwikkelingen worden universele robots nu wel haalbaar, doordat ze in real time leren, zich aanpassen en handelen zonder menselijke tussenkomst. Tegelijkertijd optimaliseren hardwareverbeteringen de behendigheid, de sensorische mogelijkheden en het energieverbruik van robots.

Software schakelt exponentieel

AI heeft de overstap mogelijk gemaakt van gespecialiseerde robots die zich richten op één enkele functie, zoals puntlassen, naar robots voor algemeen gebruik. Deze technologie wordt bij robots doorgaans 'fysieke AI' of 'geïntegreerde AI' genoemd. Hiermee onderscheidt het zich van generatieve AI, die gericht is op het creëren van nieuwe content, zoals video, kunst en fictie.

Geïntegreerde AI vormt een aanvulling op twee andere technologieën die onderzoekers al lange tijd toepassen in de robotica, namelijk klassieke AI en traditioneel machine learning. Embodied AI tilt traditioneel machinaal leren naar een hoger niveau door robots in staat te stellen input te analyseren, waaronder de gegevens van sensoren. Vervolgens verfijnen of passen de robots hun fysieke beweging, positionering en gedrag in real time aan.

Hoe meer onderzoekers ernaar streven de mogelijkheden van robots te verbeteren, zullen ze waarschijnlijk ontdekken dat basismodellen de meest voor de hand liggende piste bieden. Uiteindelijk kunnen deze modellen zo geavanceerd worden dat robots vaardigheden kunnen vertonen die vergelijkbaar zijn met of zelfs beter zijn dan die van mensen. Momenteel schieten ze echter op alle vlakken tekort in vergelijking met menselijke capaciteiten.

De mate waarin basismodellen de mogelijkheden van robots kunnen optimaliseren, varieert ook. Deze beperkingen zullen waarschijnlijk op de lange termijn blijven bestaan ​​(zie figuur 1). Wat perceptie betreft, kunnen ze bijvoorbeeld de visuele en haptische (dat wil zeggen tast) mogelijkheden aanzienlijk verbeteren, maar ze optimaliseren het vermogen van een robot om zijn nabijheid tot andere objecten te bepalen niet wezenlijk. De meeste basismodellen stellen robots al in staat om visuele signalen te analyseren en te begrijpen, zoals patronen die essentieel zijn voor objectherkenning. Onderzoekers ontwikkelen ook multimodale basismodellen waarmee robots acties kunnen uitvoeren op basis van zowel visuele als taalinput, zoals gesproken commando's.

Verfijnde basismodellen met extra generalistische roboticamaatapplicaties

Basismodellen worden beter getraind en gecombineerd met specifieke ai-gedreven skills:

Gedragscloning. Robots kunnen nu leren door mensen te observeren – live of via video's – in verschillende contexten. De visuele input wordt verwerkt in modellen waarmee de robots hun acties kunnen kopiëren, zelfs bij complexe activiteiten met meerdere stappen. Imitatieleren is bijzonder geschikt voor het trainen van de mobiliteit en de behendigheid.

Redeneermodellen. Zoals de naam al doet vermoeden, kunnen deze grote taalmodellen zich richten op probleemoplossing, logische gevolgtrekkingen en het maken van deducties. Net als basismodellen zijn ze een vorm van AI. Redeneermodellen splitsen problemen of vragen op in onderdelen, waarna ze verschillende oplossingen overwegen en deze vervolgens verder verfijnen. Onderzoekers gebruiken basismodellen vaak om nieuwe redeneermodellen te bouwen.

Verbeterde computervisie en -perceptie. Robots zijn uitgerust met meerdere sensoren, waaronder gyroscopen die beweging detecteren, camera's die licht en visuele input analyseren, en tactiele sensoren die de druk meten en texturen identificeren. De introductie van extra sensorische mogelijkheden, waaronder sensoren die de hoeveelheid kracht die een object uitoefent kunnen interpreteren, zal veel meer robotfuncties mogelijk maken.

Bedenk hoe deze ontwikkelingen een universele robot nuttiger kunnen maken in een productieomgeving. Fabrieken gebruiken momenteel mechanismen en opspaninrichtingen om objecten in de juiste oriëntatie te houden tijdens de bewerking. Maar als robots ingebouwde AI-mogelijkheden hebben, kunnen ze sensoren gebruiken om het object te 'zien' en de oriëntatie ervan direct aan te passen. Terwijl de huidige multifunctionele robots alleen binnen gecontroleerde parameters geprogrammeerd zijn om aanpassingen te maken, zouden toekomstige universele robots in staat kunnen zijn tot zelfprogrammering. Daardoor kunnen ze zich automatisch aanpassen op basis van ervaringen in verschillende omgevingen. Dergelijke robots zullen veel meer handelingen uitvoeren dan een beperkt aantal vooraf gedefinieerde gedragingen.

Om een ​​idee te krijgen van de complexiteit van de software in een universele robot, kan je kijken naar de verschillende technieken die worden gebruikt bij het programmeren ervan. (Afbeelding 2). Perceptie vereist bijvoorbeeld reinforcement learning, fundamentele modellen en convolutionele neurale netwerken (een type deep learning-algoritme dat uitblinkt in het verwerken van beeld- en videogegevens).

Aanvullende gebieden voor softwareverbetering

Ondanks de grote technologische sprongen moeten onderzoekers nog steeds een aantal software-uitdagingen overwinnen om te optimaliseren hoe universele robots leren van ervaringen, zich aanpassen met minimale vertraging en meerdere taken uitvoeren onder onvoorspelbare omstandigheden. Veel problemen ontstaan ​​doordat de basismodellen die robotactiviteiten sturen miljarden datapunten vereisen, en onderzoekers veel meer simulatieomgevingen moeten bouwen om alle benodigde informatie te verzamelen.

Gezien de tekortkomingen in de huidige basismodellen, hebben sommige universele robots nog steeds moeite met navigeren in ongestructureerde of veranderende omgevingen. Deze tekortkoming wordt mogelijk pas duidelijk, wanneer ze van simulaties waar hun omgeving relatief stabiel is naar de echte wereld gaan. Daar kunnen medewerkers robots onbedoeld desoriënteren door bijvoorbeeld werktafels te verplaatsen, lege dozen op planken te laten staan ​​of per ongeluk schroeven in een bak voor bouten te leggen. Om dezelfde reden kan de nauwkeurigheid van de prestaties afnemen als een universele robot zich van zijn gebruikelijke locatie naar een nieuwe omgeving verplaatst. Als onderzoekers robotfuncties meer naadloos kunnen coördineren, bijvoorbeeld door voortbeweging te koppelen aan objectmanipulatie, kan het foutenpercentage dalen.

Ook de verwerking van input van sensoren, waaronder sensoren die objecten kunnen 'zien', haptische systemen die input via aanraking analyseren en auditieve systemen die geluiden kunnen horen en spraakopdrachten herkennen, kan nog verbeterd worden. Bovendien hebben robots moeite met het gelijktijdig analyseren van input van meerdere sensoren en het beschouwen van de inputgegevens als een geheel. Zo kunnen robots bijvoorbeeld geen omelet bakken, omdat ze daarvoor tegelijkertijd visuele en haptische data moeten verwerken en meerdere objecten moeten hanteren, zoals koekenpannen, spatels en eieren.

Betere software zou de coördinatie tussen meerdere robots kunnen verbeteren, wat steeds vaker zal voorkomen. Als talrijke multifunctionele robots dezelfde taak of verwante activiteiten uitvoeren, zoals het vullen van schappen of het uitvoeren van zoek- en reddingsoperaties, moeten ze zich bewust zijn van de andere robots om hen heen om botsingen of andere complicaties te voorkomen.

Baanbrekende vooruitgang, maar ook aanhoudende uitdagingen op het gebied van hardware

Vooruitgang in edge computing, dat zowel hardware als software omvat, heeft de latentie in robots verminderd en real-time besluitvorming mogelijk gemaakt. Tegelijkertijd hebben andere hardwareverbeteringen de beweeglijkheid, detectiemogelijkheden en energievoorziening van robots verbeterd. Verdere optimalisatie is echter essentieel. Zo proberen onderzoekers nog steeds een robothand te bouwen met flexibele vingers en een grotere beweeglijkheid, waardoor het gemakkelijker wordt om onregelmatig gevormde objecten vast te pakken.

Er blijven ook uitdagingen bestaan ​​met betrekking tot de stroomvoorziening. Hoewel batterijen robots in staat stellen zich onbelemmerd te bewegen, is hun levensduur relatief kort (ongeveer 3 tot 5 uur voor humanoïde robots ). Robots voor algemeen gebruik moeten mogelijk regelmatig worden opgeladen, vooral als ze activiteiten uitvoeren die veel energie vergen, zoals het tillen van zware objecten of bewegingen met een hoog koppel. Een trage laadsnelheid, een probleem dat steeds belangrijker is geworden door de opkomst van elektrische voertuigen, kan ook de stilstandtijd van robots verlengen en de productiviteit verminderen.

Een andere mogelijkheid tot verbetering betreft de vormgeving. Onderzoekers geven vaak de voorkeur aan het gebruik van zo klein mogelijke componenten om de robotgrootte te minimaliseren, maar deze aanpak kan de kosten verhogen en de prestaties verminderen. Het vinden van de juiste balans tussen deze elementen blijkt nog steeds lastig.

De software- en hardwareuitdagingen die voor ons liggen, lijken misschien toch nog wat deprimo op het eerste gezicht. Recente ontwikkelingen suggereren echter dat universele robots de automatisering op de werkplek  naar een hoger niveau kunnen tillen. De enige vragen zijn hoe snel de vooruitgang zal plaatsvinden en of bedrijven de veranderingen snel zullen omarmen of juist zullen aarzelen. Gezien de veelbelovende mogelijkheden van universele robots, zijn bedrijven die vroeg handelen wellicht het best gepositioneerd om waarde te creëren. Ik verwijs graag naar de talk die Filip Tuypens (CEO FANUC BENELUX) en ik hadden tijdens Indumation op deze podcast  (Spotify).