Onderzoekers hebben een nieuw systeem ontwikkeld genaamd TACOS, waarmee looprobots beter kunnen inschatten hoe de ondergrond zal reageren voordat ze een stap zetten. De methode maakt gebruik van zelfgesuperviseerd leren om visuele informatie te koppelen aan de stabiliteit van de voetstap.
Het navigeren door complexe omgevingen is voor mensen een intuïtief proces waarbij het visuele systeem wordt gebruikt om te anticiperen op de reactie van de bodem. Voor looprobots is dit een grote uitdaging. In een recent onderzoek, gepubliceerd op 27 oktober 2026, presenteren Jean-Michel Fortin en collega's de methode Terrain-Aware COntact Supervision (TACOS) om dit gat te overbruggen. Volgens de publicatie op arxiv.org streeft het systeem ernaar robots dezelfde anticipatiekracht als mensen te geven door middel van een geavanceerd supervisiesignaal.
Innovatieve instabiliteitsscore
Een centraal probleem bij het trainen van robots via zelfgesuperviseerd leren is dat het supervisiesignaal vaak gebaseerd is op intuïtie, zonder dat het effect op het leerproces van het model volledig wordt onderzocht. TACOS introduceert een consistente score voor voetstapinstabiliteit. Deze score is gebaseerd op het residu van een factor graph in de schatting van de toestand van de robot.
De onderzoekers hebben twee varianten van deze score ontwikkeld:
1. Een 'harde' score: Deze maakt gebruik van hindsight, wat betekent dat de score wordt bepaald op basis van informatie die achteraf beschikbaar is.
2. Een 'causale zachte' score: Deze is onmiddellijk beschikbaar tijdens het lopen.
Beide scores worden geprojecteerd op eerdere beelden om een dichte visuele voorspeller te trainen. Hierdoor leert de robot visuele kenmerken van het terrein te associëren met de kans op instabiliteit.
Significante verbeteringen in prestaties
De effectiviteit van TACOS is getoetst in twee onafhankelijke evaluaties waarbij geen data of labels werden gedeeld. Volgens de details in het presteerden beide varianten van de TACOS-score beter dan alle geteste alternatieven bij het detecteren van instabiliteit en het rangschikken van de ernst daarvan. In een analyse van 1716 handmatig geannoteerde contactpunten verbeterde de gepoolde rangschikking van de ernst met 28% ten opzichte van de sterkste baseline.
Daarnaast werden er drie outdoor-testruns uitgevoerd. Hieruit bleek dat de TACOS-metriek de meest accurate visuele voorspeller trainde. De rangcorrelatie verbeterde met 58% vergeleken met het beste alternatief. Wanneer het systeem werd aangevuld met context van aan boord van de robot, steeg deze verbetering met nog eens 25%.
Toepassing in de echte wereld
Om de praktische bruikbaarheid te bewijzen, voerden de onderzoekers een experiment uit over een traject van 50 meter in een bos. Tijdens deze test kon de getrainde voorspeller effectief omgaan met niet-geometrische terreineigenschappen, zoals modder en vegetatie. Tegelijkertijd was de robot in staat om geometrische obstakels, zoals gevallen takken, te herkennen en eromheen te stappen.
Het onderzoek is ingediend bij de ICRA 2027 en omvat negen pagina's en acht figuren. De auteurs, waaronder William Larrivée-Hardy en Philippe Giguère, hebben de code beschikbaar gesteld voor reproduceerbaarheid, zoals vermeld in de . Hoewel andere bronnen zoals o-tacos.com geen relevante technische informatie verschaffen, bevestigt de academische publicatie de potentie van TACOS voor de toekomst van autonome looprobots in onvoorspelbare natuurlijke omgevingen.