Stel je een kind voor dat voor het eerst leert een lade te openen. Het heeft geen handleiding nodig, geen miljoen oefenpogingen of een team van ingenieurs om zijn spieren te kalibreren. Het reikt simpelweg, voelt de handgreep en trekt, waarbij het de grip onmiddellijk aanpast als het object wegglijdt of de hoek niet goed is. Dit vermogen om complexe fysieke vaardigheden te leren van één enkel lichaam gedurende enkele jaren staat in schril contrast met moderne robots. Zelfs de meest geavanceerde machines, getraind op enorme bibliotheken van miljoenen opgenomen bewegingen van tientallen verschillende robots, falen vaak bij deze eenvoudige taken. Ze worstelen met objecten die ze nog nooit hebben vastgehouden, bevriezen wanneer een scène halverwege de beweging verandert en kunnen niet uit zichzelf verbeteren nadat ze zijn ingezet. De kloof tussen menselijke behendigheid en robotprestaties is geen kwestie van datavolume; het is een kwestie van ontwerp. Het menselijk zenuwstelsel is over honderden miljoenen jaren geëvolueerd om deze problemen op te lossen, en een nieuwe survey suggereert dat de volgende generatie robots het blauwdruk hiervan moet lenen.

Het artikel, getiteld "Neuro Inspired Robotics", betoogt dat huidige robots falen omdat ze gebouwd zijn op een fundamenteel andere architectuur dan het menselijk brein. De robots van vandaag vertrouwen doorgaans op een centrale computer die visuele informatie verwerkt en vervolgens een precieze lijst met coördinaten naar de motoren stuurt, die hen precies vertelt waar ze heen moeten bewegen. Deze aanpak vereist perfecte precisie en laat de robot blind voor de fysieke krachten die hij tegenkomt totdat het te laat is. In contrast hiermee werkt het menselijk lichaam volgens principes van compliantie (meegaandheid) en voorspelling. In plaats van een rigide positie te bevelen, beveelt het brein inspanning en stijfheid, waardoor het lichaam kan wijken voor de omgeving wanneer dat nodig is en alleen hard drukt wanneer dat vereist is. Bovendien wacht het brein niet op trage visuele verwerking om een glijdende grip te corrigeren; het gebruikt een snel, reflexmatig systeem en een predictief model om acties aan te passen voordat de fout zelfs volledig wordt waargenomen. De auteurs stellen voor dat door deze biologische strategieën na te bootsen — specif으로 hoe het brein tast, zicht en voorspelling afhandelt — de robotica kan bewegen van breekbare, vooraf geprogrammeerde machines naar adaptieve, zelfverbeterende agenten.

De survey begint met het onderzoeken van het meest basale element van beweging: het commando dat naar de spieren wordt gestuurd. In een standaardrobot geeft een beleid (policy) een doelpositie uit, en een aparte, vaste controller probeert de motor naar die plek te dwingen. Als de robot een onverwacht obstakel tegenkomt, vecht de rigide controller tegen het obstakel, wat vaak schade of falen veroorzaakt. Het menselijke motorische systeem werkt anders. Het stuurt een signaal dat zowel de gewenste positie als de stijfheid van het ledemaat regelt. Dit zorgt ervoor dat het lichaam werkt als een slimme veer. Wanneer een mens een staaf in een gebogen gleuf duwt, hoeven ze niet de exacte curve van de gleuf te berekenen. In plaats daarvan duwen ze met een hoge stijfheid langs de richting van de gleuf en een lage stijfheid er dwars op. De wanden van de gleuf leiden de staaf vanzelf op zijn plaats, en de hand wijkt uit voor de contactkrachten. Het artikel suggereert dat robots dezezelfde strategie zouden moeten adopteren. Door een laag van compliantie onder het hoofdcontrolebeleid toe te voegen, zou een robot de fysieke wereld de details kunnen laten leveren die hij anders zelf zou moeten berekenen, wat hem veel robuuster maakt tegen onverwachte veranderingen.

Tast is een ander gebied waar biologie een superieur ontwerp biedt. Huidige robots vertrouwen vaak zwaar op zicht en behandelen tast als een secundaire of optionele input. Een mens kan echter in het donker een deurklink vinden en deze openen zonder ook maar één blik te werpen. Het artikel benadrukt dat zicht alleen beweging en vorm ziet, terwijl tast direct de krachten meet die bij een interactie betrokken zijn. Wanneer een mens een object vasthoudt, detecteren gespecialiseerde sensoren in de huid een slip binnen ongeveer 75 milliseconden, wat een automatische reflex triggert om de grip aan te strakken lang voordat het brein zich bewust is van het feit dat het object beweegt. Deze reflexlus is veel sneller dan een visuele correctie. De auteurs stellen voor dat robots tast als een primaire input moeten behandelen, waarbij het wordt gerepresenteerd als een krachtveld dat de compliantiecontrole aanstuurt. Door modellen te trainen om de tactiele gevolgen van hun acties te voorspellen, zouden robots in staat zijn om hun grijpkracht onmiddellijk aan te passen wanneer een object wegglijdt, net zoals een mens dat doet, zonder de scène visueel te hoeven stoppen en opnieuw te evalueren.

Zicht vereist ook een nieuwe aanpak. Huidige robotische visiesystemen zijn vaak traag en geoptimaliseerd voor het herkennen van objecten, vergelijkbaar met hoe een mens een gezicht herkent. Het controleren van een bewegende hand vereist echter een ander soort zicht: een dat beweging en positie met hoge snelheid volgt. Het menselijk brein lost dit op door het zicht te splitsen in twee stromen. Eén stroom, de "ventrale" stroom, is traag en gewijd aan het herkennen van wat een object is. De andere stroom, de "dorsale" stroom, is snel en gewijd aan het begeleiden van actie, waarbij de positie van objecten ten opzichte van de hand voortdurend wordt bijgewerkt. Het artikel betoogt dat robots een vergelijkbaar duaal systeem moeten bouwen. In plaats van te vertrouwen op een enkele, trage visuele encoder, zouden ze een dedicated, snelle encoder moeten hebben die draait op de framerate van de camera, die een reactief beleidskop voedt met directe gegevens over beweging en contact. Dit zou de robot in staat stellen om te reageren op een glijdend object of een bewegend doelwit in realtime, in plaats van te wachten op een trage, gedetailleerde analyse van de scène.

Misschien wel het meest diepgaande inzicht komt van de cerebellum, een deel van de hersenen dat vaak wordt beschreven als een voorspeller. De cerebellum neemt een kopie van elk motorisch commando en voorspelt wat het lichaam zal voelen en zien als gevolg, en doet dit in slechts enkele milliseconden. Als de werkelijke sensatie verschilt van de voorspelling, kalibreert de cerebellum de beweging onmiddellijk bij. Dit stelt mensen in staat om een bal te vangen of hun grip op een zwaar object aan te passen voordat de sensorische feedbacklus dit normaal gesproken zou toestaan. Het artikel suggereert dat robots een vergelijkbaar "wereldmodel" of voorspeller zouden moeten incorporeren die naast het hoofdbeleid draait. Deze voorspeller zou de uitkomst van elk commando voorspellen en de fout tussen de voorspelling en de realiteit gebruiken om het gedrag van de robot onmiddellijk aan te passen. In tegen tegenstelling tot huidige modellen die seconden nodig hebben om te verwerken en te leren, zou deze voorspeller oppervlakkig en snel zijn, in staat om zich binnen één poging aan te passen aan nieuwe gereedschappen of zwaardere objecten, waardoor de robot effectief in staat is om in realtime te leren en te verbeteren.

Ten slotte schetst het artikel een visie op hoe deze robots in de loop van de tijd zouden leren en verbeteren, in navolging van het menselijke proces van oefening en consolidatie. Momenteel zijn de vaardigheden van een robot bevroren zodra deze wordt ingezet; hij kan niet leren van zijn eigen fouten zonder menselijke interventie. Het voorgestelde ontwerp omvat een systeem waarbij een robot een complexe taak opdeelt in kleinere, verifieerbare eenheden, zoals reiken, oriënteren en grijpen. Hij oefent deze eenheden, en een "consolidatie-agent" beoordeelt de succesvolle pogingen om expliciete, trage code om te zetten in snelle, impliciete vaardigheden die in de neurale gewichten van de robot zijn opgeslagen. Na verloop van tijd zou de robot bewegen van het nauwkeurig meten van elke hoek en kracht naar het simpelweg "schatten" van de taak en handelen, net als een mens die een vaardigheid heeft beheerst. Deze cyclus van het oefenen van zwakke punten, het beoordelen van succes en het consolideren van kennis zou recursieve zelfverbetering mogelijk maken, waardoor de robot met elke taak die hij probeert, bekwaamer en behendiger wordt.

De auteurs merken er voorzichtig bij op dat deze ideeën hypothesen zijn om te testen, en geen bewezen oplossingen. De neurowetenschap waarop zij putten is complex en soms onderwerp van debat, en de analogie tussen een biologisch brein en een machine van silicium heeft zijn grenzen. Echter, het artikel presenteert een overtuigende zaak dat de weg vooruit in de robotica niet ligt in simpelweg het opschalen van data of rekenkracht, maar in het heroverwegen van de fundamentele architectuur van de machine. Door de principes van compliantie, snelle sensorische lussen, predictieve modellering en actieve oefening van het zenuwstelsel te lenen, kunnen de volgende generaties robots eindelijk de vloeiende, adaptieve intelligentie bereiken die hen al zo lang ontglipt.