Stel je een wereld voor waarin een robot hond geen afstandsbediening, joystick of een vooraf geprogrammeerd script nodig heeft om te weten wat hij moet doen. In plaats daarvan luistert hij naar een menselijke stem. Dit is de grens van een vakgebied genaamd robotica, waar ingenieurs machines leren bewegen door complexe, oneffen werelden. Jarenlang was de meest betrouwbare manier om een viervoetige robot te laten lopen het geven van een rigide wiskundig model van zijn eigen lichaam en de grond onder hem. Hoewel dit goed werkt op vlakke vloeren, valt dit vaak weg wanneer het terrein rommelig wordt of de situatie onverwacht verandert. Een nieuwere aanpak, bekend als deep reinforcement learning, heeft het spel veranderd. In plaats van te vertrouwen op een vaste set regels, leren deze robots lopen door middel van vallen en opstaan, net als een puppy die leert staan, waarbij ze uiteindelijk stabiele manieren ontdekken om te bewegen die geen menselijke ingenieur met de hand had kunnen ontwerpen. De uitdaging die resteert, is hoe je met deze geleerde systemen communiceert. Een robot een eenvoudige opdracht geven zoals "ga vooruit" is makkelijk, maar vragen om "langzaam naar links te lopen terwijl je een hobbel vermijdt" vereist een brug tussen menselijke taal en de lage-niveau motorische controle van de robot.

Onderzoekers aan het Harbin Institute of Technology hebben een systeem gebouwd dat deze brug slaat, waardoor een quadruped robot natuurlijke taalcommando's in vrije vorm kan volgen. Hun werk, dat gedetailleerd wordt beschreven in een recente studie, presenteert een methode waarbij een robot een zin beluistert, begrijpt wat de persoon wil, en direct zijn loopstijl aanpast om die intentie te evenaren. Het systeem vertrouwt niet op een vooraf geschreven bibliotheek van specifieke bewegingen, zoals een "draf" of een "galop", waar de robot uit moet kiezen. In plaats daarvan vertaalt het woorden direct naar continue aanpassingen in snelheid en richting. Wanneer een gebruiker zegt "loop langzaam vooruit", begrijpt de hersenpan van de robot dat hij zijn voorwaartse snelheid moet verminderen terwijl hij zijn evenwicht behoudt, en voert deze verandering in realtime uit. Dit wordt bereikt door twee verschillende technologieën te combineren: een taalverwerker die menselijke spraak begrijpt, en een leeralgoritme dat de spieren van de robot aanstuurt.

Het taalkundige deel van het systeem fungeert als een vertaler. Het neemt een zin als "draai scherp naar links" en breekt deze af in twee stukken informatie: het algemene doel, namelijk draaien, en de specifieke getallen die nodig zijn om dit te doen, zoals hoe snel er gedraaid moet worden. De onderzoekers gebruikten een lichtgewicht versie van een modern taalmodel om deze taak uit te voeren. Dit model werd getraind op duizenden voorbeelden van commando's gekoppeld aan de juiste robotacties. Het is ontworpen om snel genoeg te zijn om op een robot te draaien zonder deze te vertragen. Zodra het systeem het commando begrijpt, geeft het deze informatie door aan de controle-hersenen van de robot. Deze controle-hersenen zijn een neuraal netwerk dat is getraind om te lopen met een methode genaamd proximal policy optimization. Dit trainingsproces houdt in dat de robot probeert te lopen in een hoogwaardige computersimulatie, beloningen ontvangt voor het rechtop blijven staan en efficiënt bewegen, en zo geleidelijk zijn strategie verbetert over miljons pogingen.

Wat dit nieuwe systeem uniek maakt, is hoe het de taalvertaler verbindt met de loopcontroller. In plaats van de robot te dwingen te kiezen uit een beperkt menu van vooraf gedefinieerde gedragingen, gebruikt het systeem de taalinput om de doelen van de robot en zijn beloningssysteem voorzichtig bij te sturen. Als het commando is om langzaam te bewegen, past het systeem de doel-snelheid van de robot aan en verandert het de manier waarop de robot zijn eigen succes evalueert, waardoor langzame, voorzichtige stappen meer belonend aanvoelen dan snelle, riskante stappen. Dit stelt de robot in staat om zijn gang continu aan te passen. Hij kan vooruit lopen, dan vertragen, dan naar links draaien, alles op basis van een enkele stroom gesproken instructies. Om ervoor te zorgen dat dit systeem niet alleen in een computer werkt maar ook op een echte machine, gebruikten de onderzoekers een onderwijsstrategie. Ze trainden eerst een zeer capabele "leraar"-robot in de simulatie met toegang tot perfecte informatie over de wereld, zoals de exacte wrijving van de grond. Vervolgens trainden ze een "student"-robot om de acties van de leraar na te bootsen met behulp van alleen de ruisige, imperfecte sensordata die een echte robot zou hebben. Dit proces hielp de student om robuust te worden tegen de rommelige realiteiten van de fysieke wereld.

Het team heeft hun systeem uitgebreid getest in simulatie en op een echte Unitree A1 robot, een kleine, wendbare viervoetige machine. In de computersimulaties volgde de robot een breed scala aan commando's succesvol op, inclus)', zoals complexe instructies als "loop langzaam naar links" of "navigeer snel om het obstakel heen". Het systeem liet een hoog succespercentage zien, waarbij de robot basisopdrachten zoals vooruit lopen of naar links draaien in meer dan 96% van de gevallen voltooide in simulatie. Toen de onderzoekers het systeem naar de echte robot verplaatsten, bleven de resultaten sterk. De robot was in staat om op commando vooruit te lopen, te draaien en te stoppen met een succespercentage van meer dan 93% voor de meeste acties. Het systeem bleek ook energiezuinig te zijn, waarbij het minder stroom per stap verbruikte dan traditionele besturingsmethoden of andere op leren gebaseerde benaderingen die deze specifieke taalconditionering niet gebruikten. De onderzoekers merkten op dat de robot zijn bewegingen in minder dan een seconde kon aanpassen na het ontvangen van een nieuw commando, wat een vloeiende responsiviteit demonstreert die moeilijk te bereiken is met oudere besturingsmethoden.

De studie benadrukt echter ook de grenzen van wat momenteel mogelijk is. Het systeem werkt het beste met duidelijke, directe commando's gerelateerd aan beweging en snelheid. Het is nog niet ontworpen om lange, complexe gesprekken of zeer ambigue instructies zoals "doe iets cools" af te handelen. Als een gebruiker een commando geeft dat de robot fysiek niet kan uitvoeren, zoals "vlieg naar de maan", is het systeem nog niet slim genoeg om om verduidelijking te vragen of uit te leggen waarom de aanvraag onmogelijk is. De onderzoekers vonden dat hoewel de robot erg goed is in het volgen van specifieke bewegingsinstructies, zijn vermogen om te generaliseren naar volledig nieuwe soorten taal of omgevingen nog beperkt wordt door de data waarop het is getraind. De tests in de echte wereld waren ook relatief kort en vonden plaats onder gecontroleerde omstandigheden, wat betekent dat de langetermijnbetrouwbaarheid van het systeem in onvoorspelbare buitenomgevingen nog niet volledig bewezen is.

Ondanks deze beperkingenen vertegenwoordigt dit werk een belangrijke stap naar meer natuurlijke mens-robotinteractie. Door aan te tonen dat een robot kan leren lopen en vervolgens via eenvoudige spraak kan worden gestuurd zonder dat er een bibliotheek van vooraf geprogrammeerde trucjes nodig is, hebben de onderzoekers een pad aangetoond naar machines die intuïtiever zijn om mee te werken. Het systeem vereist niet dat de gebruiker een nieuwe code of een specifieke set commando's leert; het luistert simpelweg en reageert. Het succes van de leraar-student trainingsmethode bij het overbrengen van vaardigheden van simulatie naar de echte wereld suggereert dat deze aanpak in de toekomst kan worden opgeschaald naar complexere robots. Naarmate de technologie rijpt, kan de kloof tussen menselijke intentie en machineactie blijven krimpen, waardoor robots echte partners kunnen worden in dynamische en uitdagende omgevingen.