Onderzoekers hebben een nieuwe techniek ontwikkeld waarmee robots tijdens het manipuleren van objecten hun acties kunnen aanpassen op basis van onzichtbare fysieke eigenschappen. De methode maakt gebruik van 'learning from demonstration' om latenties in objecteigenschappen te herkennen en te corrigeren.
Het manipuleren van objecten die er visueel identiek uitzien, maar verschillende fysieke kenmerken hebben, vormt een aanzienlijke uitdaging voor de robotica. Wanneer een robot bijvoorbeeld een object moet oppakken waarvan het zwaartepunt verschilt, is visuele informatie alleen onvoldoende. Volgens een publicatie op arxiv.org is er een nieuwe methode voorgesteld die robots in staat stelt om acties, zoals het aanpassen van de grip of de contactlocatie, te wijzigen op basis van informatie die tijdens de interactie wordt verzameld.
Latente representaties en dynamische modellen
De kern van de voorgestelde methode is het leren van latente representaties van fysieke eigenschappen. Deze representaties zijn noodzakelijk om te voorspellen hoe een object zal reageren op een bepaalde handeling. In het onderzoek van Kotaro Kajitsuka en collega's worden een dynamisch model en objectspecifieke latente representaties gezamenlijk getraind. Dit gebeurt via demonstraties waarin menselijke of vooraf gedefinieerde acties worden getoond die zich aanpassen aan de specifieke fysieke eigenschappen van de objecten.
Zodra de robot de taak uitvoert, blijven de gewichten van het beleid en het dynamische model vaststaan. Echter, de latente representatie wordt continu bijgewerkt. Dit gebeurt door het verschil te analyseren tussen de voorspelde observaties en de daadwerkelijke waarnemingen tijdens de interactie. Hierdoor kan de robot "voelen" dat een object anders reageert dan verwacht en zijn acties daarop aanpassen.
Resultaten uit simulaties en praktijktests
Om de effectiviteit van deze aanpak te testen, zijn er experimenten uitgevoerd in zowel simulaties als in de echte wereld. Hierbij werd specifiek gekeken naar objecten met verschillende zwaartepunten. Uit de resultaten blijkt dat online adaptatie via latente representaties de succespercentages van de taken kan verbeteren.
Er is echter ook een beperking vastgesteld. In simulaties bleek dat wanneer de locatie van het zwaartepunt volledig afweek van wat in de oorspronkelijke demonstraties was opgenomen, het succespercentage rond de 30% bleef. Dit suggereert dat de huidige methode nog beperkt is in haar vermogen om zich aan te passen aan fysieke eigenschappen die volledig onbekend waren tijdens de trainingsfase.
Academische erkenning en context
Het onderzoek is ingediend op 4 november 2026 en is geaccepteerd voor presentatie op de . De focus van het werk ligt binnen het vakgebied van de robotica, specifiek gericht op het verbeteren van de interactie tussen machines en fysieke objecten.
Hoewel de robotica-sector zich richt op complexe fysieke interacties, is er in de bredere digitale wereld ook veel aandacht voor interactieve simulaties. Zo bieden platforms zoals poki.com een breed scala aan simulatiespellen, variërend van sport- tot actiespellen, waarbij gebruikers online kunnen experimenteren met virtuele fysica. Hoewel deze commerciële games een andere doelgroep bedienen dan academische robotica, illustreren ze de groeiende interesse in hoe digitale systemen fysieke werelden nabootsen.
De voortgang in 'learning from demonstration' opent nieuwe wegen voor robots om autonomer te werken in ongestructureerde omgevingen, waar objecten niet altijd voldoen aan de visuele verwachtingen. De integratie van real-time feedbackloops, zoals beschreven in de , is hierbij een cruciale stap.