Het effectief verplaatsen van objecten waarvan de fysieke eigenschappen vooraf onbekend zijn, blijft een van de grootste hindernissen in de moderne robotica. Factoren zoals wrijving en de verdeling van de massa zijn visueel niet direct waarneembaar, waardoor robots vaak moeite hebben om hun acties accuraat af te stemmen. Vooral bij de overstap van een gesimuleerde omgeving naar de fysieke werkelijkheid, de zogenaamde sim-to-real transfer, treden vaak onvoorziene onzekerheden op.
Om deze problematiek op te lossen, hebben Donghyung Lee en een team van onderzoekers op 17 september 2026 een innovatief systeem gepresenteerd onder de naam MetaPusher. Zoals beschreven in een publicatie op arxiv.org, richt dit framework zich op nonprehensile manipulatie. Dit houdt in dat de robot objecten verplaatst door ze te duwen of te verschuiven, zonder ze daadwerkelijk vast te grijpen.
Synergie tussen leren en plannen
De kracht van MetaPusher schuilt in de integratie van twee complementaire systemen. Ten eerste maakt het gebruik van een dynamics model dat is ontwikkeld via meta-learning. Dit stelt de robot in staat om tijdens de uitvoering van een handeling razendsnel te leren van de interacties met het object. Ten tweede is er een adaptieve kinodynamische planner die plannen voor de lange termijn continu bijstelt. In plaats van bij elke wijziging opnieuw te beginnen, hergebruikt en verfijnt de planner een bestaande zoekboom.
Deze gecombineerde aanpak zorgt ervoor dat de robot gelijktijdig kan handelen en leren. Hierdoor is er geen aparte voorbereidingsfase meer nodig om data te verzamelen voordat de eigenlijke taak wordt uitgevoerd. De technische specificaties van deze methodiek zijn gedetailleerd uitgewerkt in de arxiv.org van het onderzoek.
Resultaten en vergelijkingen
De prestaties van MetaPusher zijn uitgebreid gevalideerd in zowel virtuele simulaties als in echte scenario's. Hierbij is het systeem afgezet tegen diverse gangbare technieken, waaronder active learning, standaard fine-tuning en controle op basis van MPPI.
De resultaten tonen aan dat MetaPusher aanzienlijk effectiever is in termen van precisie. Volgens berichtgeving van physicalainews.jp resulteert dit in een lagere foutmarge bij voorspellingen en een stijging van de succesrate met maximaal 20% in vergelijking met de referentiemethoden.
Bredere context in de robotica
De ontwikkeling van MetaPusher sluit aan bij een bredere wetenschappelijke trend waarbij robots autonomer en flexibeler worden in hun omgang met onbekende omgevingen. Nonprehensile manipulatie is een complex vakgebied waar vaak gebruik wordt gemaakt van multisensorische input. Zo is er in eerdere studies, zoals vermeld via nlnih.gov, onderzoek gedaan naar het gebruik van multisensorisch leren vanuit demonstraties om objecten zeer snel te laten spinnen.
Waar traditionele methoden vaak afhankelijk waren van enorme hoeveelheden data of specifieke training voor elk individueel object, biedt MetaPusher een weg naar generalisatie. De mogelijkheid om online aanpassingen te maken zonder de volledige planning te resetten, wordt beschouwd als een significante vooruitgang voor de sector.
Het onderzoeksteam bestond uit Donghyung Lee, Seyedali Golestaneh, Jaskrit Singh, Zhuoyun Zhong, Athanasios Kapoutsis en Constantinos Chamzas. Het werk is ingediend onder de categorie Robotica (cs.RO) in de open-access database van arXiv.