Onderzoekers hebben een nieuw framework ontwikkeld waarmee humanoïde robots sneller en met minder data nieuwe vaardigheden kunnen aanleren door menselijke demonstraties te analyseren. De methode richt zich op specifieke kenmerken in plaats van volledige beelden, wat de training aanzienlijk versnelt.
Het aanleren van nieuwe vaardigheden aan robots via menselijke voorbeelden, bekend als Learning from Demonstration (LfD), is traditioneel een proces dat zeer grote datasets en intensieve training vereist. Veel huidige visuele systemen maken gebruik van end-to-end training op basis van ruwe beelden, wat rekentechnisch zwaar is. In een recent wetenschappelijk artikel, ingediend op 19 oktober 2026, presenteren Keyhan Rayati en collega's een alternatieve aanpak die focust op data-efficiëntie voor humanoïde robots.
Focus op kenmerken in plaats van ruwe beelden
Het voorgestelde framework wijkt af van traditionele methoden door niet te werken met volledige afbeeldingen, maar met compacte, taakspecifieke kenmerken. Volgens de publicatie op arxiv.org maakt het systeem gebruik van een gelaagde visuele voorbewerking. Hierbij worden Kinect-gebaseerde schattingen van menselijke gewrichten, prompt-gebaseerde objectdetectie en diepte-informatie gecombineerd.
Door deze specifieke kenmerken te extraheren uit demonstratievideo's, kan het systeem menselijke bewegingen en de driedimensionale locaties van objecten nauwkeurig vastleggen. Deze data worden vervolgens ingevoerd in een temporeel deep learning-model, dat de benodigde gewrichtshoeken van de robot voorspelt om de handeling succesvol uit te voeren.
Resultaten in simulatie en praktijk
De effectiviteit van het framework is getest met een NAO-humanoïde robot. De resultaten tonen aan dat de robot met een zeer beperkt aantal voorbeelden al complexe taken kan uitvoeren. Bij een zogenaamde 'pick-and-place'-taak behaalde de robot in simulatie een succespercentage van 78% na slechts 16 demonstraties. Wanneer dit aantal werd uitgebreid naar 100 demonstraties, steeg het succespercentage naar 86%, zoals beschreven in de .
Daarnaast werd het systeem getest met een duwtaken, waarbij een succespercentage van 71% werd behaald met slechts acht demonstraties. De onderzoekers hebben deze resultaten gepresenteerd tijdens de IEEE ISAIA 2026.
De bredere context van data en AI
De ontwikkeling van dergelijke AI-systemen rust op het fundamentele principe van dataverwerking. Zoals uitgelegd door het globaltechcouncil.org, is data in essentie de verzameling van ruwe feiten en observaties uit de fysieke of digitale wereld. De waarde van deze data ontstaat pas wanneer ze worden georganiseerd en geanalyseerd om tot inzichten en acties te leiden. In het geval van de humanoïde robot wordt ruwe visuele data getransformeerd naar bruikbare informatie over gewrichtshoeken en objectposities.
Terwijl academische projecten zoals deze zich richten op specifieke robotica-toepassingen, is de bredere beschikbaarheid van data een wereldwijde trend. Overheidsportalen spelen hierbij een cruciale rol in het ondersteunen van innovatie. Zo biedt het gov.be toegang tot diverse datasets, variërend van consumentenprijsindexen tot atmosferische gegevens, om transparantie en onderzoek te bevorderen.
Op een breder Europees niveau wordt deze trend ondersteund door het europa.eu, dat dient als officieel platform voor Europese data. Dit portaal helpt bij het verbeteren van de 'open data maturity' in Europa, wat essentieel is voor de verdere ontwikkeling van geavanceerde technologieën zoals kunstmatige intelligentie en robotica.
Door de combinatie van gespecialiseerde perceptietechnieken en een efficiënte benutting van beschikbare data, opent dit nieuwe framework de deur naar robots die sneller en flexibeler kunnen worden ingezet in omgevingen waar menselijke instructies de primaire bron van kennis zijn.