Het stabiel vasthouden van voorwerpen met zachte robotische handen is een complexe uitdaging in de robotica. Hoewel flexibele polymeren zorgen voor een veilige interactie met objecten, hebben deze materialen een eigenschap genaamd visco-elasticiteit. Dit veroorzaakt stressrelaxatie, een proces waarbij de grijpkracht tijdens het vasthouden geleidelijk afneemt, wat ertoe kan leiden dat een object onbedoeld wordt losgelaten.
Om dit probleem op te lossen, hebben Yanzhe Wang en een team van collega's een innovatief framework ontwikkeld. In hun onderzoek, getiteld "Relaxation-Aware Multimodal Sensing of Soft Gripper Driven by Structure-Perception-Learning", presenteren zij een methode om de gripkracht nauwkeurig te behouden. De bevindingen zijn gepubliceerd in de arxiv.org, een conferentie die medio juli 2026 in Sydney, Australië, werd gehouden.
Synergie tussen structuur en waarneming
De nieuwe benadering is geïnspireerd op de menselijke grip, waarbij het lichaam stijfheidsregulatie combineert met constante sensorische feedback. Het ontwikkelde systeem rust op drie fundamentele pijlers: structuur, perceptie en leren. De kern van de oplossing is een zachte gripper met variabele stijfheid.
Om de interactie in realtime te kunnen monitoren, maakt het framework gebruik van multimodale sensing. Hierbij worden visuele gegevens gecombineerd met infraroodthermografie. Deze techniek stelt de robot in staat om zowel de vervorming van het polymeer als het temperatuurveld nauwkeurig in kaart te brengen. Volgens de maakt dit een precieze analyse van de interactietoestand mogelijk.
Compensatie door intelligente modellen
Om het onvermijdelijke krachtverlies door visco-elastische relaxatie te compenseren, hebben de auteurs een specifieke krachtrepresentatie ontwikkeld die is gekoppeld aan temperatuur. Door gebruik te maken van een zogenaamd 'physics-informed' leermodel kan het systeem de trend van de krachtreconstructie bepalen. Hierdoor kan de robot actieve compensaties uitvoeren tijdens het vasthouden, waardoor de druk op het object constant blijft.
Deze aanpak ondersteunt de visie van 'mechanism-AI co-design'. In dit model bepalen de fysieke mechanismen de mogelijke interacties, terwijl de kunstmatige intelligentie de onzekerheden in de visco-elastische dynamiek opvangt. Meer details over dit proces zijn terug te vinden in de .
Resultaten en prestaties
De effectiviteit van het systeem is getest in een scenario waarbij een object gedurende 280 seconden met een gecontroleerde kracht vastgehouden moest worden. De resultaten laten een significante verbetering zien ten opzichte van traditionele methoden. De voorgestelde methode behield de gewenste kracht met een gemiddelde absolute fout van slechts 0,066 Newton.
In vergelijking met systemen met een vaste opening (fixed-aperture baselines) presteert deze nieuwe methode 80% beter. De winst is nog groter wanneer het systeem wordt vergeleken met baselines die enkel op onmiddellijke waarden vertrouwen; in dat geval is de verbetering maar liefst 95%.
Door de integratie van thermische sensing en AI-gestuurde compensatie is het nu mogelijk om een stabiele en langdurige grip te realiseren, zelfs met materialen die van nature hun spanning verliezen. Het volledige technische verslag is beschikbaar via de onder referentie 2608.26622.