Robots, autonome auto's en ruimteschepen delen een fundamentele uitdaging: ze moeten van de ene naar de andere plek bewegen terwijl ze de wetten van de fysica respecteren en obstakels vermijden. Om dit te doen, vertrouwen ze op een wiskundig proces genaamd trajectoptimalisatie, dat fungeert als een superkrachtige navigator. Deze navigator berekent voortdurend het best mogelijke pad door talloze variaties in snelheid en richting te testen, op zoek naar de route die de minste energie of tijd kost. Wanneer de wereld eenvoudig en voorspelbaar is, kunnen standaard wiskundige hulpmiddelen dit puzzel perfect oplossen. Maar de echte wereld is rommelig. Robots hebben complexe gewrichten, auto's glijden op natte wegen en ruimteschepen moeten puin ontwijken. In deze situaties wordt de wiskunde niet-lineair en moeilijk, waardoor de computer een reeks onderbouwde gissingen moet maken, deze moet verfijnen en het proces moet herhalen totdat hij een oplossing vindt die werkt. Dit iteratieve proces is de ruggengraat van moderne bewegingsplanning, waardoor machines delicate taken kunnen uitvoeren zoals het assembleren van onderdelen of het landen op andere planeten.

Naarmate deze machines echter capabeler worden, wordt er van hen gevraagd om onder striktere regels te opereren. Een robotarm moet bijvoorbeeld voorkomen dat hij een menselijke hand raakt, of een drone moet binnen een smalle corridor blijven. Om deze regels af te dwingen, voegen computers zware straffen toe aan hun berekeningen wanneer een pad dicht bij het schenden van een beperking komt. Hoewel dit de robot dwingt om zich aan de regels te houden, creëert het ook een verborgen gevaar: de getallen die de computer gebruikt om het pad te vinden, kunnen zo extreem verschillen in grootte dat de machine het vermogen verliest om tussen hen te onderscheiden. Het is alsof je probeert de breedte van een enkele haar te meten terwijl je naast een berg staat; het kleine detail gaat verloren in de ruis van de enorme schaal. Wanneer dit gebeurt, worden de berekeningen van de computer instabiel en kan de robot er niet in slagen een pad te vinden, of erger nog, een pad berekenen dat op papier perfect lijkt maar fysiek onmogelijk is.

In een recente studie hebben onderzoekers Maximilian Haas-Heger en Jur van den Berg van Waabi Innovation Inc. zich gericht op dit probleem van numerieke instabiliteit. Ze concentreerden zich op een specifiek algoritme dat bekend staat als de iteratieve Linear Quadratic Regulator, of iLQR, dat veel wordt gebruikt voor het plannen van deze complexe paden. Het team ontdekte dat door de manier waarop het algoritme zijn interne wiskunde afhandelt te veranderen, ze het aanzienlijk robuuster konden maken zonder het te vertragen. Hun werk draait om een techniek genaamd een "wortelgetal"-formulering (square root formulation). In de standaard computerberekening houdt het algoritme een grote tabel met getallen bij die de kosten van elke mogelijke beweging vertegenwoordigen. Wanneer beperkingen streng zijn, wordt deze tabel moeilijk leesbaar. De onderzoekers realiseerden zich dat het algoritme, in plaats van de volledige tabel bij te houden, een eenvoudigere, driehoekige versie ervan kan bijhouden, vergelijkbaar met het alleen bijhouden van de essentiële ingrediënten van een recept in plaats van de hele voorraadkast.

De sleutel tot hun succes ligt in de manier waarop ze het probleem hebben vereenvoudigd. Ze behandelden het doel van de robot als een gewogen som van fouten, vergelijkbaar met hoe een fotograaf de onscherpte in een foto kan minimaliseren door specifieke instellingen aan te passen. Door een methode te gebruiken die bekend staat als Gauss-Newton, die complexe curven benadert met rechte lijnen, zorgden ze ervoor dat de wiskundige structuur van het probleem stabiel bleef. Dit stelde hen in staat om de zware, instabiele berekeningen te vervangen door een lichtere, preciezere operatie genaamd een QR-ontbinding. Beschouw deze operatie als een manier om een rommelige stapel gegevens te organiseren in een nette, ordelijke stapel waar elk stukje perfect past zonder gaten of overlappingen. Deze nieuwe aanpak stelt de computer in staat om zijn precisie te behouden, zelfs wanneer de straf voor het schenden van een regel enorm wordt.

De onderzoekers testten hun nieuwe methode in een uitdagend scenario waarbij twee robotarmen samenwerken om een star object te dragen. De armen moesten het object van een startpunt naar een doel bewegen terwijl ze hun grepen op een vaste afstand van elkaar hielden, een beperking die de computer dwong om meerdere concurrerende eisen in balans te houden. Ze voerden simulaties uit waarbij de straf voor het schenden van deze afstandregel werd verhoogd tot extreme niveaus, ver boven wat een standaardcomputer normaal gesproken zou kunnen verwerken. In deze tests begon de traditionele methode te falen, waarbij de nauwkeurigheid verloren ging en uiteindelijk onzinnige resultaten produceerde naarmate de straf groeide. De nieuwe wortelgetal-methode hield echter stand. Het bleef nauwkeurige paden produceren, zelfs wanneer de straf zo groot was dat de standaardmethode volledig was ingestort. Sterker nog, de nieuwe aanpak behield zes tot zeven significante cijfers van nauwkeurigheid in standaard computeraritmetica, waar de oude methode bijna alle nauwkeurigheid had verloren.

Deze verbetering is niet alleen een theoretische overwinning; het vertaalt zich direct naar betrouwbaarheid voor echte machines. De studie toonde aan dat de nieuwe methode het optimalisatieproces veel verder kan drijven, waardoor robots in staat zijn om beperkingen te voldoen met een niveau van striktheid dat voorheen onmogelijk was. Waar de standaardmethode misschien opgeeft wanneer gevraagd wordt om nauwkeurig te zijn tot één op een miljoen, kan de nieuwe methode die precisie duwen naar één op honderd miljard. De onderzoekers merkten op dat deze winst in precisie gepaard gaat met bijna geen extra computationele kosten, het voegt minder dan drie procent toe aan de totale tijd die nodig is om een probleem op te lossen. Dit betekent dat ingenieurs de nieuwe methode als een directe vervanging voor de oude kunnen gebruiken, waardoor hun robots onmiddellijk in staat zijn om moeilijkere, risicovolle taken aan te kunnen.

Het artikel behandelt ook waarom deze specifieke verbetering nog niet breed is toegepast. Hoewel soortgelijke "wortelgetal"-technieken al decennia worden gebruikt in navigatiesystemen zoals het Kalman-filter, waren ze moeilijker toe te passen op trajectoptimalisatie omdat de wiskunde complexer is. Eerdere pogingen om een wortelgetal-versie van iLQR te maken waren ofwel te ingewikkeld in gebruik of numeriek inferieur. De auteurs stellen dat hun aanpak anders is omdat het de specifieke structuur van het probleem benut om de wiskunde te vereenvoudigen, waarbij elke stap wordt teruggebracht tot een enkele, elegante operatie. Ze suggereren dat voor elke robot die een pad plant onder strikte beperkingen, er geen reden is om deze stabielere methode niet te gebruiken, net zoals ingenieurs geen onstabiel navigatiesysteem voor een ruimteschip zouden kiezen.

Uiteindelijk toont het werk aan dat de grenzen van de beweging van robots vaak niet worden bepaald door de wetten van de fysica, maar door de grenzen van het vermogen van de computer om ze te berekenen. Door de manier waarop deze berekeningen worden uitgevoerd te verfijnen, hebben de onderzoekers een aanzienlijke barrière weggenomen, waardoor machines met meer vertrouwen door complexere en gevaarlijkere omgevingen kunnen navigeren. De studie bevestigt dat we met de juiste wiskundige instrumenten de grenzen van wat autonome systemen kunnen bereiken kunnen verleggen, en ervoor kunnen zorgen dat ze precies en betrouwbaar blijven, zelfs wanneer de inzet het hoogst is.