Stel je een robotarm voor die probeert een breekbaar ei op te pakken, een gladde citroen, of een zware hamer. In tegen tegenstelling tot een mens, wiens vingers instinctief de textuur, het gewicht en de gladheid van een object voelen om de grip in een fractie van een seconde aan te passen, vertrouwt een robot meestal op camera's of vooraf geprogrammeerde instructies. Als het object zelfs maar een klein beetje verschuift, of als het oppervlak gladder is dan verwacht, verliest de robot vaak zijn grip. Decennialang hebben wetenschappers geprobeerd robots te leren objecten te manipuleren met dezelfde behendigheid als een menselijke hand, een taak die het coördineren van tientallen kleine gewrichten en het reageren op constant fysiek contact vereist. De uitdaging is niet alleen om de hand naar een bepaalde plek te bewegen, maar om een delicate, verschuivende balans van druk te behouden terwijl het object binnen de greep draait, rolt of glijdt.

Een team onderzoekers bij Sharpa Robotics heeft een nieuwe aanpak ontwikkeld om dit probleem op te lossen, waarbij de focus ligt op hoe een robot kan leren objecten te heroriënteren — ze omdraaien of laten draaien — door het tastgevoel als primaire gids te gebruiken. Hun werk, gepresenteerd in een studie getiteld TacBPM, pakt een specifieke flessenhals in robotleren aan: de moeilijkheid om een machine te leren de juiste sequentie van vingerbewegingen te ontdekken zonder het contact te verbreken of het voorwerp te laten vallen. In plaats van de robot te dwingen om elke mogelijke beweging vanaf nul te leren, creëerden de onderzoekers een "behavior prior" (gedragsprior), die fungeert als een fundamentele bibliotheek van veilige, contactrijke bewegingen. Deze bibliotheek is gebouwd door de robot te trainen op veel verschillende maten bollen, waarbij het de robot leert hoe het objecten van variërende schalen moet rollen en vasthouden. De belangrijkste innovatie is dat deze bibliotheek niet slechts een set visuele instructies is; het is geconditioneerd op tactiele feedback, wat betekent dat het interne begeleidingssysteem van de robot constant controleert wat de vingertoppen voelen om de volgende zet te bepalen.

De onderzoekers trainden hun systeem met een methode genaamd distillatie, waarbij ze acht verschillende expert-policies (expert-beleidsregels) gebruikten, elk gespecialiseerd voor een bol van een specifieke grootte variërend van zeer klein tot groot, en de kennis daarvan samenpersten in één compacte controller. Deze controller geeft niet de ruwe motorcommando's voor de tweeëntwintig gewrichten van de robothand. In plaats daarvan genereert het een hoogwaardige "latente" actie, een vereenvoudigde instructie die een veilige, contactstabiele bewegingspatron wordt vertegenwoordigt. De robot leert vervolgens om kleine aanpassingen aan deze instructie te maken op basis van de specifieke taak waar hij mee bezig is. Door de kern van de tactiele begeleiding bevroren te houden en alleen toe te staan dat de robot kleine correcties leert, vermijdt het systeem de chaotische trial-and-error die er normaal gesproken toe leidt dat robots objecten laten vallen. De studie laat zien dat wanneer de robot een nieuw object krijgt dat hij nog nooit heeft gezien, zoals een blok, een fles of een gereedschap met een onregelmatige vorm, hij nog steeds succesvol is omdat hij vertrouwt op de tactiele patronen die hij van de bollen heeft geleerd.

In een reeks tests evalueerden de onderzoekers of deze aanpak in staat was om met objecten om te gaan die geen bollen waren en taken die complexer waren dan eenvoudige rotatie. Ze vroegen de robot om objecten naar specifieke hoeken te draaien, rond specifieke assen te roteren, en zelfs een volledige sequentie uit te voeren van het grijpen van een object, het optillen, het verplaatsen en het in een nieuwe positie plaatsen. Wanneer vergeleken met robots die probeerden deze taken vanaf nul te leren door willekeurig hun gewrichten te bewegen, presteerde het TacBPM-systeem aanzienlijk beter. In simulaties faalde de standaardaanpak vaak om een stabiele manier te vinden om het object vast te houden, wat resulteerde in het laten vallen of vast komen te zitten in posities, terwijl het tactiel-geconditioneerde systeem de taken in het overgrote deel van de pogingen succesvol voltooide. Bijvoorbeeld, wanneer gevraagd werd om een blok of een fles naar een doeloriëntatie te draaien, behaalde de nieuwe methode een succespercentage van bijna negentig procent, terwijl de standaardmethode moeite had om zelfs de tien procent te bereiken.

De studie testte het systeem ook op een echte robotarm uitgerust met dezelfde behendige hand. Zonder extra training op de fysieke hardware, werd de in simulatie geleerde policy direct overgebracht naar de echte wereld. De robot greep succesvol diverse gereedschappen, waaronder een rubberen hamer en een blauwe borstel, tilde ze op en verplaatste ze naar doelposities. Het slaagde er ook in om objecten zoals een tennisbal en een hoekblok langs specifieke richtingen te draaien, waarbij de commando's werden gevolgd om links, rechts, omhoog of omlaag te draaien. In deze praktijktests slaagde de robot die de tactiele prior gebruikte erin om een hoekblok meer dan zeshonderd graden te draaien in één enkele poging, terwijl andere methoden vaak het contact verloren of het object volledig lieten vallen. De onderzoekers merkten op dat het systeem bijzonder robuust was wanneer de vorm of grootte van het object veranderde, wat suggereert dat de tactiele begeleiding de robot hielp om zich aan te passen aan nieuwe geometrieën zonder de basis van het vasthouden van iets opnieuw te hoeven leren.

Een van de meest significante bevindingen was dat het systeem werkte, zelfs wanneer de robot werd gevraagd om objecten te hanteren die hij tijdens de training nooit had gezien. De onderzoekers testten de robot op vormen zoals een vuilnisbak, een aardbei en een veelvlakkig blok, die geen van beide werd gebruikt om de initiële bibliotheek van bolbewegingen op te bouwen. De robot kon zijn kennis generaliseren, waarbij hij de tactiele patronen die hij van de bollen had geleerd, gebruikte om te begrijpen hoe hij deze onbekende items moest grijpen en draaien. Dit suggereert dat het tastgevoel een universele taal voor manipulatie biedt die de specifieke vormen overstijgt. De studie onderzocht ook een scenario waarin de robot compacte commando's moest volgen, zoals "roteer rond de verticale as", in plaats van een specifieke eindhoek te krijgen. Het systeem leerde deze richtingen te interpreteren en paste zijn vingerbewegingen dienovereenkomstig aan, waarbij een stabiele grip behouden bleef terwijl het object draaide.

De onderzoekers waren zorgvuldig om aan te tonen dat het succes van hun methode sterk afhankelijk was van de tactiele informatie. Wanneer zij de touch-sensoren uit het systeem verwijderden en vertrouwden op enkel de positie van de robotgewrichten, daalde de prestatie aanzienlijk, vooral voor objecten die glad of onregelmatig van vorm waren. Dit bevestigde dat de robot het object moest voelen om te weten wanneer hij zijn grip moest aanpassen of zijn strategie moest wijzigen. De studie toonde ook aan dat het systeem kan worden aangepast aan verschillende soorten robots. In een aparte test waarbij een arm en hand samenwerkten, maakte hetzelfde trainingsparadigma het mogelijk voor de robot om diverse gereedschappen te grijpen, op te tillen en te transporteren, wat bewees dat de aanpak kan opschalen van slechts één hand naar complexere robotische lichamen.

Het werk claimt niet elk probleem in robotmanipulatie te hebben opgelost, en de onderzoekers erkennen dat er grenzen zijn aan hoe goed het systeem kan extrapoleren naar objecten die wezenlijk verschillend zijn van de trainingsvoorbeelden. Bijvoorbeeld, wanneer de robot werd gevraagd een bol te hanteren die aanzienlijk groter was dan welke hij ook eerder had gezien, nam het succespercentage af, wat aangeeft dat het systeem nog steeds grenzen heeft. Echter, de resultaten laten duidelijk zien dat door de robotische manipulatie te funderen in tactiele feedback en een stabiele basis van contactrijke gedragingen te bieden, het mogelijk is om machines te leren manipuleren met een niveau van behendigheid dat voorheen onbereikbaar was. De studie suggereert dat de toekomst van robotmanipulatie wellicht niet ligt in het leren aan robots om elk detail van een object te zien, maar in het leren aan hen om hun weg te voelen door de taak, waarbij tast als de primaire gids dient voor stabiliteit en controle.