In de wereld van de robotica is de focus bij het manipuleren van objecten traditioneel beperkt tot de 'end-effector', de grijper aan het uiteinde van de arm. Mensen maken echter gebruik van hun volledige arm om objecten te verschuiven of tegen oppervlakken te drukken, vooral wanneer een precieze greep niet vereist is. Om dit natuurlijke gedrag te imiteren, hebben onderzoekers Bo-Ruei Huang, Daniel Seita en Erdem Bıyık een innovatief systeem ontwikkeld genaamd Whole-Arm Contact Learning (WACL).
Het implementeren van contact over de gehele arm vormt een technische uitdaging, aangezien een robot moet bepalen welk specifiek armsegment contact moet maken en hoe dit veilig kan gebeuren zonder de grijper te beschadigen. Volgens een wetenschappelijke publicatie op arxiv.org hanteert WACL hiervoor een hiërarchisch framework dat gebruikmaakt van drie robot-agnostische representaties. Ten eerste worden semantische sleutelpunten gebruikt om de scène samen te vatten. Ten tweede bepaalt het systeem referentie-contacttrajecten voor de interactie met het object. Tot slot genereert een vision-language model veiligheidsbewuste padbeperkingen op basis van de taakomschrijving om de end-effector te beschermen.
Deze verzamelde gegevens worden vervolgens verwerkt door een quasi-statische oppervlakte-contactoptimizer. Pas in deze laatste fase wordt de specifieke kinematische structuur van de robotarm meegerekend. De optimizer bepaalt gezamenlijk welke link contact moet maken, de exacte positie op die link en de benodigde gewrichtsconfiguratie om de actie uit te voeren. Een opvallend kenmerk van dit systeem is de efficiëntie in het leerproces; het framework kan contacttrajecten aanleren op basis van slechts tien menselijke demonstraties per taak, die zonder teleoperatie zijn verzameld.
De effectiviteit van WACL is getest met een robotarm met zeven vrijheidsgraden (7-DoF) via vier verschillende taken. De resultaten laten een aanzienlijke verbetering zien ten opzichte van bestaande methoden. Terwijl een sterke 'link-pose baseline' een succespercentage van 33% behaalde, slaagde WACL in 78% van de gevallen in om contact te behouden onder specifieke beperkingen. Daarnaast is het systeem in staat om te generaliseren naar nieuwe beperkingen zonder dat er een nieuwe trainingsronde nodig is. Zoals vermeld in de , is dit onderzoek officieel geaccepteerd voor de 10e editie van de Conference on Robot Learning (CoRL 2026).
Terwijl de academische wereld zich concentreert op deze technische vooruitgang in de fysieke robotica, is er in de zakelijke sector een parallelle beweging naar de integratie van kunstmatige intelligentie. In Brussel organiseert het consultancykantoor BCG bijvoorbeeld initiatieven zoals bcg.com, waarbij professionals en studenten analyseren hoe AI de consultancysector en de manier van werken transformeert. Deze trend illustreert dat AI zowel in de fysieke manipulatie door robots als in strategische zakelijke processen een centrale rol speelt bij het oplossen van complexe vraagstukken.
Het WACL-framework overbrugt diverse disciplines, waaronder machine learning, computer vision en robotica. De volledige technische details, inclusief de gebruikte figuren en tabellen, kunnen worden geraadpleegd via de .