Onderzoekers hebben een nieuwe methode ontwikkeld genaamd Body Schema Policy (BSP), waarmee robots complexere bewegingen kunnen uitvoeren met aanzienlijk minder rekenkracht dan bij huidige modellen.
In de huidige robotica wordt het aanleren van zogenaamde 'loco-manipulatie' — het gelijktijdig voortbewegen en manipuleren van objecten — vaak opgelost door enorme schaalvergroting. De krachtigste systemen maken gebruik van modellen met miljarden parameters, die bovendien vaak specifieke fijnafstelling per taak vereisen. Een groep wetenschappers, waaronder Lechen Zhang en Yoshihiko Nakamura, stelt echter dat mensen veel efficiënter werken dankzij een 'lichaamsschema' dat visuele informatie koppelt aan beweging.
Een interface gebaseerd op de anatomie
Volgens een publicatie op arxiv.org introduceert de Body Schema Policy (BSP) een imitatie-leermethode die dit menselijke principe nabootst. In plaats van een generiek groot model, bouwt BSP een schema in de interface tussen visuele waarneming en actie.
Het systeem plaatst zogenaamde 'joint and link tokens' op de kinematische boom van de robot. Hierbij worden geleerde schroefbewegingen gebruikt om kenmerken tussen de verschillende verbindingen van het robotlichaam te transporteren. Een cruciaal onderdeel van deze aanpak is de 'body-queried vision'. Dit houdt in dat elk specifiek lichaamsdeel van de robot zijn eigen visuele bewijslast ophaalt uit de omgeving, wat vervolgens de acties van dat specifieke onderdeel aanstuurt.
Significante prestatiewinst en efficiëntie
De resultaten van het onderzoek tonen aan dat deze inductieve bias leidt tot een snellere uitvoering van actiechunks in vergelijking met andere geteste modellen. Een opvallend resultaat is dat het systeem zelfstandig visuele read-outs ontwikkelt zonder dat daar ruimtelijke supervisie voor nodig is. Zo bleek dat manipulatiecommando's sterk afhankelijk zijn van specifieke objecten in de taak, terwijl locomotiecommando's breder reageren op de gehele scène.
De effectiviteit van BSP is getest op negen gesimuleerde taken met de Unitree G1, een humanoïde robot. Volgens de gegevens van presteert BSP gelijkwaardig aan het $\Psi_0$ humanoïde basismodel, maar doet dit met 75 keer minder parameters. Daarnaast zou de methode het succespercentage van de Diffusion Policy bijna verdubbelen.
Toepassing op fysieke hardware
Naast simulaties is de Body Schema Policy ook succesvol getest op fysieke hardware. De onderzoekers melden in hun rapport op dat de resultaten consistent bleven wanneer het systeem werd toegepast op een echte Unitree G1 robot en een Fetch mobiele manipulator.
Hoewel de focus van het onderzoek ligt op de technische implementatie van de visie-actie interface, is de bredere implicatie dat robots minder afhankelijk kunnen worden van gigantische datasets en enorme rekenkracht om complexe fysieke taken te volbrengen. Door de structuur van het robotlichaam direct in het leerproces te integreren, wordt de kloof tussen waarneming en uitvoering verkleind.
Opmerking: De overige aangeleverde bronnen, waaronder links naar kiabi.com, bevatten geen relevante informatie over dit wetenschappelijke onderwerp en zijn daarom niet gebruikt voor de feitelijke inhoud van dit artikel.
Slot
Hier is een passende afsluiting voor het artikel:
Conclusie
Met de Body Schema Policy bewijzen de onderzoekers dat een anatomische benadering van robotica effectiever kan zijn dan brute rekenkracht. Door visuele informatie direct te koppelen aan het fysieke lichaam, ontstaat een systeem dat zowel sneller als efficiënter leert. Deze doorbraak opent de deur naar humanoïde robots die met minimale middelen maximale precisie bereiken.