De ontwikkeling van robots die mensen kunnen ondersteunen bij dagelijkse handelingen vormt een grote uitdaging binnen de moderne robotica. Een belangrijk struikelblok is de beperking van huidige simulatieomgevingen; deze zijn vaak ofwel te simpel om de realiteit na te bootsen, ofwel te traag om effectief te gebruiken voor reinforcement learning (RL). Bovendien worden robots in simulaties vaak als geïsoleerde actoren behandeld, terwijl zorgtaken juist draaien om interactie tussen meerdere partijen.
Om deze problemen op te lossen, hebben wetenschappers Assistax ontwikkeld. Dit nieuwe framework is specifiek ontworpen als een benchmark voor assistentierobotica. Door de integratie van JAX en MuJoCo-MJX kan het systeem gebruikmaken van hardware-acceleratie via de GPU. Volgens de technische details in de arxiv.org leidt dit tot een spectaculaire toename in snelheid. In open-loop simulaties presteert Assistax op een enkele GPU tot wel 412 keer sneller dan traditionele CPU-gebaseerde omgevingen.
Deze enorme schaalbaarheid is cruciaal omdat het onderzoekers in staat stelt om veel grotere hoeveelheden data te genereren. Dit is een noodzakelijke voorwaarde voor het trainen van de complexe neurale netwerken die nodig zijn voor geavanceerde robotica. Het framework is vanaf de basis geoptimaliseerd als een zogenaamde "RL-native" testsuite, wat betekent dat elke component is afgestemd op de specifieke eisen van reinforcement learning.
Een innovatief kenmerk van Assistax is de manier waarop menselijke interactie wordt gesimuleerd. In plaats van een statisch object te gebruiken, integreert het systeem een actieve humanoïde agent die de menselijke partner representeert. Deze partner is zelf trainbaar via multi-agent reinforcement learning (MARL). De onderzoekers benaderen de interactie tussen mens en machine als een vraagstuk van Ad-Hoc Teamwork (AHT). Bij AHT moet een robot kunnen samenwerken met partners die hij nog nooit eerder is tegengekomen en die elk hun eigen voorkeuren of fysieke beperkingen hebben, zoals .
Om dit te testen, is er een uitgebreide benchmarking-pipeline opgezet. Met behulp van MARL wordt een diverse groep humanoïde partners getraind. De robot wordt vervolgens getoetst op zijn vermogen om effectief te coördineren met partners die tijdens de trainingsfase niet aanwezig waren. De resultaten van deze tests leggen een aanzienlijke "coördinatiekloof" bloot. Huidige RL-algoritmen vertonen namelijk grote moeite om samen te werken met onbekende partners wanneer deze nieuwe combinaties van voorkeuren hanteren. Dit bewijst dat er behoefte is aan algoritmen die beter kunnen generaliseren binnen sociale en assistieve contexten, zoals .
Om de wetenschappelijke gemeenschap te ondersteunen, hebben de makers de MARL-voorgetrainde humanoïde policies beschikbaar gesteld via Hugging Face. Hierdoor kunnen andere onderzoekers sneller itereren zonder telkens de volledige populatie partners opnieuw te hoeven trainen. Het project, dat is geaccepteerd voor de Reinforcement Learning Conference 2026, biedt hiermee een essentieel instrument om de kloof tussen digitale simulaties en de complexe realiteit van de zorg te overbruggen. Meer informatie over de methodologie is terug te vinden in de van Leonard Hinckeldey en zijn collega's.