PRISM: Projection-Integrated Sampling-Based MPC with Bayesian Cost Tuning for Bimanual Manipulation

Robots zijn al lang meesters op de fabrieksvloer, waarbij ze duizenden keren per dag dezelfde precieze bewegingen herhalen. Maar wanneer de omgeving verandert, of wanneer een taak vereist dat twee armen samenwerken in een rommelige ruimte, schiet traditionele programmering vaak tekort. De uitdaging ligt in de coördinatie: het krijgen van twee mechanische armen om in perfect unisono te bewegen terwijl ze obstakels vermijden, objecten stevig vasthouden en in real time reageren op de fysieke wereld. Jarenlang hebben onderzoekers geprobeerd robots deze vaardigheid aan te leren door ze duizenden voorbeelden te tonen, in de hoop dat de machine het patroon leert. Deze aanpak worstelt echter wanneer de robot een situatie tegenkomt die hij nog nooit eerder heeft gezien, zoals een nieuwe opstelling van obstakels of een iets ander object. Om dit op te lossen, heeft een team onderzoekers een nieuwe manier ontwikkeld voor robots om ter plekke na te denken, met een methode die elke beweging vanaf nul plant op basis van de wetten van de fysica, in plaats van te vertrouwen op eerdere herinneringen.

De onderzoekers, werkend met duale robotarmen, creëerden een systeem genaamd PRISM. In plaats van te proberen een specifieke oplossing te onthouden voor elk mogelijk scenario, werkt het systeem als een supersnelle simulator die binnen de computer van de robot draait. Bij elke fractie van een seconde overweegt de robot duizenden verschillende manieren waarop hij zijn armen in de komende momenten zou kunnen bewegen. Vervolgens gebruikt het een krachtige physics engine om direct te voorspellen wat er zou gebeuren als het elke van die bewegingen zou proberen. Zou de armen botsen met een muur? Zou het object glijden? Zou de beweging te schokkerig zijn voor de motoren om te verwerken? Door deze mogelijkheden te testen in een virtuele wereld die de werkelijkheid weerspiegelt, kan het systeem de slechte ideeën direct verwerpen en de goede behouden.

De kerninnovatie van dit werk is de manier waarop het systeem met het enorme aantal mogelijkheden omgaat. In het verleden, wanneer robots probeerden veel verschillende paden tegelijk te verkennen, waren de resulterende bewegingen vaak te grillig of fysiek onmogelijk, waardoor de robot schokte of zijn eigen regels overtrad. De nieuwe methie lost dit op door als een filter te fungeren. Voordat de robot zelfs maar een beweging simuleert, dwingt het systeem wiskundig elk potentieel pad om vloeiend en veilig te zijn. Het zorgt ervoor dat de armen niet te snel bewegen, niet te abrupt accelereren of schokken op een manier die de machine zou kunnen beschadigen. Dit stelt de robot in staat om gedurfd te zijn in zijn exploratie, door wilde en creatieve bewegingen uit te proberen, terwijl het garandeert dat de uiteindelijke keuze altijd vloeiend, veilig en uitvoerbaar is.

Om dit proces nog effectiever te maken, gebruikten het team een techniek genaamd Bayesiaanse optimalisatie om de prioriteiten van de robot automatisch af te stemmen. Denk hierbij aan een manier voor de robot om te leren hoe hij zijn eigen interne doelen kan balanceren, zoals snel bewegen versus voorzichtig bewegen, zonder dat een menselijke ingenieur urenlang aan knoppen hoeft te draaien. Het systeem draaide duizenden simulaties, waarbij telkens de mate waarin de robot gaf om het vermijden van botsingen versus het bereiken van het doel licht veranderde, totdat het de perfecte balans voor succes vond. Deze automatische afstemming betekende dat de robot kon zich aanpassen aan verschillende taken, van het tillen van een zware doos tot het doorgeven van een kubus tussen de armen, zonder voor elke klus een nieuwe reeks instructies nodig te hebben.

De onderzoekers testten hun systeem in een virtuele omgeving vol obstakels en slaagden er vervolgens in die vaardigheden over te dragen naar echte robots. In de echte wereld moesten twee robotarmen samenwerken om een dienblad op te pakken, door een drukke werkruimte te navigeren en het tussen twee obstakels te plaatsen zonder het te laten vallen. Ze testten ook scenario's waarbij de armen een bal moesten optillen, een kubus aan elkaar moesten doorgeven en een zware doos moesten dragen. In elk geval bewees het systeem betrouwbaarder te zijn dan eerdere methoden. Waar oudere benaderingen vaak faalden wanneer de omgeving rommelig was of de taak nauwkeurige coördinatie vereiste, slaagde dit nieuwe systeem in het overgrote deel van de pogingen. Het slaagde erin het dienblad recht te houden, de bal stabiel te houden en de kubus soepel door te geven, terwijl het reageerde op de fysieke beperkingen van de echte wereld.

Een van de meest significante bevindingen was hoe het systeem omging met situaties die het nog nooit eerder had gezien. Wanneer de onderzoekers een nieuw obstakel in het pad plaatsten van een robot die getraind was op een andere opstelling, bevroren de oude leergestuurde methoden vaak of crashten ze omdat de nieuwe situatie niet overeenkwam met de trainingsdata. Het nieuwe systeem simuleerde echter simpelweg het nieuwe obstakel en vond ter plekke een manier eromheen. Het had geen hertraining of een nieuw voorbeeld nodig; het redeneerde simpelweg door de fysica van de nieuwe scène en vond een oplossing. Dit vermogen om zich aan te passen aan het onbekende is een cruciale stap naar robots die kunnen werken in dynamische, ongestructureerde omgevingen zoals magazijnen of huizen, waar de indeling nooit twee keer exact hetzelfde is.

De studie bevestigt dat het combineren van een snelle physics simulator met een slimme manier om bewegingen te filteren, robots in staat stelt complexe, gecoördineerde taken uit te voeren met een niveau van robuustheid dat voorheen moeilijk te bereiken was. Het systeem draait snel genoeg om beslissingen in real time te nemen, waarbij het de planning tientallen keren per seconde bijwerkt. Hoewel de onderzoekers opmerken dat het systeem nog steeds een mens nodig heeft om het algemene doel en de basisstructuur van de taak te definiëren, wordt het zware werk van het uitzoeken hoe te bewegen automatisch gedaan. Deze aanpak biedt een praktisch alternatief voor methoden die vertrouwen op enorme datasets, en laat zien dat met de juiste planningsinstrumenten robots kunnen leren navigeren in de fysieke wereld door deze te begrijpen, in plaats van deze alleen maar te memoriseren.