Of je het nu leuk vindt of niet, we zijn omringd door robots. Duizenden Amerikanen rijden tegenwoordig naar hun werk in auto's die vrijwel zelf rijden. Stofzuigers scharrelen zelf rond in onze woonkamer. Drone Quadcopter dript automatisch over boerderijvelden en maakt enquêtes vanuit de lucht die boeren helpen hun gewassen te laten groeien. Zelfs eng uitziende humanoïde robots, die kunnen springen en rennen zoals wij, kunnen in de nabije toekomst commercieel verkrijgbaar zijn.
Robotic apparaten worden behoorlijk goed in het bewegen over onze wereld zonder enige tussenkomst van ons. Maar ondanks deze nieuwe vaardigheden, hebben ze nog steeds een grote zwakte: de meest getalenteerde van het stel kan nog steeds worden gestopt in hun tracks door een eenvoudige deurknop.
Het probleem is, zegt Matt Mason, een robotica aan de Carnegie Mellon University, dat voor alle bestaande mogelijkheden van robots om autonoom over de wereld te bewegen, ze nog niet fysiek op een zinvolle manier kunnen communiceren met objecten zodra ze daar aankomen.
“Wat hebben we geleerd van robotica? De eerste les is dat manipulatie moeilijk is. Dit is in tegenstelling tot onze individuele ervaring, omdat bijna elke mens een bekwame manipulator is, ”schrijft Mason in een recent overzichtsartikel.
Het is een redelijk punt. Wij mensen manipuleren de wereld om ons heen zonder na te denken. We grijpen, porren, draaien, hakken en prikken voorwerpen bijna onbewust, mede dankzij onze ongelooflijk handige handen. Daarom hebben we onze werelden gebouwd met die bijlagen in gedachten. Alle mobiele telefoons, toetsenborden, radio's en andere hulpmiddelen die we gedurende ons leven hebben gebruikt, zijn expliciet ontworpen om in onze vingers en handpalmen te passen.
Niet zo voor bestaande robots. Op dit moment is een van de meest gebruikte robothandontwerpen, een "grijper" genoemd, min of meer identiek aan die op tv in de jaren zestig werd gedacht: een apparaat gemaakt van twee stijve metalen vingers die voorwerpen daartussen knijpen.
In een gecontroleerde omgeving zoals een assemblagelijn werken dergelijke apparaten prima. Als een robot weet dat elke keer dat hij een specifiek onderdeel bereikt, hij zich op dezelfde plaats en in dezelfde richting zal bevinden, dan is het grijpen ervan triviaal. "Het is duidelijk wat voor soort onderdeel langs de transportband komt, wat detectie en waarneming relatief eenvoudig maakt voor een robot, " merkt Jeannette Bohg op, een robotica aan de Stanford University.
De echte wereld is daarentegen rommelig en vol onbekende dingen. Denk maar aan uw keuken: er kunnen stapels borden drogen naast de gootsteen, zachte en breekbare groenten langs de koelkast en meerdere gebruiksvoorwerpen in smalle laden. Vanuit het perspectief van een robot, zegt Bohg, zou het identificeren en manipuleren van die enorme reeks objecten totale chaos zijn.
“Dit is in zekere zin de heilige graal, toch? Heel vaak wil je een breed scala aan objecten manipuleren die mensen vaak manipuleren en die door mensen zijn gemanipuleerd, ”zegt Matei Ciocarlie, een robotica-onderzoeker en werktuigbouwkundig ingenieur aan de Columbia University. “We kunnen manipulators bouwen voor specifieke objecten in specifieke situaties. Dat is geen probleem. Veelzijdigheid is de moeilijkheid. "
Om te gaan met het enorme aantal unieke vormen en fysieke eigenschappen van die materialen - of ze nu solide zijn zoals een mes of vervormbaar, zoals een stuk plasticfolie - zou een ideaal robotachtig aanhangsel noodzakelijk iets zijn dat lijkt op wat er aan het einde van onze armen. Zelfs met stijve botten buigen en buigen onze handen terwijl we items vastgrijpen, dus als een hand van de robot hetzelfde kan doen, kan hij objecten in zijn greep 'kooien' en ze op een oppervlak verplaatsen door ze te harken zoals een baby doet haar speelgoed.
Engineering die veelzijdigheid is geen sinecure. Toen ingenieurs bij iRobot - hetzelfde bedrijf dat u de Roomba-stofzuiger bracht - enkele jaren geleden een flexibele, drievingerige "hand" ontwikkelden, werd dit als een grote prestatie geprezen. Tegenwoordig blijven robots zich afkeren van een getrouwe replica van de menselijke hand, op zoek naar squishy materialen en betere computertools zoals machine learning om ze te besturen.
De zoektocht naar zachte, flexibele "handen"
"Menselijke grijpers zijn vaak veel delicater en veel duurder, omdat je veel meer motoren hebt en ze in een kleine ruimte zijn verpakt", zegt Dmitry Berenson, die autonome robotmanipulatie aan de Universiteit van Michigan bestudeert. "Echt, je moet veel engineering hebben om het te laten werken, en veel onderhoud, meestal." Vanwege die beperkingen, zegt hij, worden bestaande menselijke handen niet veel gebruikt door de industrie.
Wil een robothand praktisch zijn en zelfs in de buurt komen van het vermogen van een mens, dan moet het stevig maar flexibel zijn; koude, hitte en aanraking kunnen voelen bij hoge resoluties; en wees zacht genoeg om breekbare objecten op te pakken, maar robuust genoeg om tegen een stootje te kunnen. Oh, en bovendien zou het goedkoop moeten zijn.
Om dit probleem te omzeilen, zijn sommige onderzoekers op zoek naar een gelukkig medium. Ze testen handen die sommige van onze eigen kenmerken nabootsen, maar zijn veel eenvoudiger te ontwerpen en bouwen. Elk gebruikt zachte latex "vingers" aangedreven door peesachtige kabels die ze open en gesloten trekken. Het voordeel van dit soort ontwerpen is hun letterlijke flexibiliteit - wanneer ze een object tegenkomen, kunnen ze eromheen squishen, de complexe vorm aannemen en het netjes opscheppen.
In plaats van handen die de onze nabootsen, werken sommige onderzoekers aan zachte, flexibele die gemaakt zijn van siliconen. In deze afbeelding krullen holle siliconen vingers terwijl ze worden gevuld met lucht, waardoor ze rond ongewoon gevormde objecten worden samengedrukt. (J. MORROW ET AL / IEEE INTERNATIONALE CONFERENTIE OVER ROBOTICA EN AUTOMATISERING (ICRA) 2016) Zulke squishy "handen" bieden een belangrijke verbetering ten opzichte van een hardmetalen grijper. Maar ze beginnen het probleem pas op te lossen. Hoewel een rubberachtige vinger geweldig werkt voor het oppakken van allerlei objecten, zal het worstelen met fijne motorische vaardigheden die nodig zijn voor eenvoudige taken zoals het plaatsen van een munt in een gleuf - waarbij niet alleen de munt wordt vastgehouden, maar ook de gleuf wordt gevoeld en de randen worden vermeden en de munt naar binnen schuiven. Om die reden is volgens Ciocarlie het creëren van sensoren die robots meer vertellen over de objecten die ze aanraken een even belangrijk onderdeel van de puzzel.
Onze eigen vingertoppen hebben duizenden individuele aanraakreceptoren ingebed in de huid. "We weten niet echt hoe we dat soort sensoren moeten bouwen, en zelfs als we dat zouden doen, zouden we het heel moeilijk hebben om ze te bedraden en die informatie terug te krijgen, " zegt Ciocarlie.
Het grote aantal vereiste sensoren zou een tweede, nog gekniptere kwestie opleveren: wat te doen met al die informatie als u die eenmaal heeft. Computationele methoden waarmee een robot enorme hoeveelheden sensorische gegevens kan gebruiken om zijn volgende beweging te plannen, beginnen te ontstaan, zegt Berenson. Maar het krijgen van die vaardigheden tot waar ze moeten zijn, kan alle andere uitdagingen overtreffen waarmee onderzoekers worden geconfronteerd bij het bereiken van autonome manipulatie. Een robot bouwen die zijn "handen" snel en naadloos kan gebruiken - zelfs in volledig nieuwe situaties - is misschien niet mogelijk tenzij ingenieurs hem een vorm van complexe intelligentie kunnen geven.
Dat denkvermogen is iets dat velen van ons mensen als vanzelfsprekend beschouwen. Om een potlood op ons bureau te pakken, pakken we het gewoon op en pakken het. Bij het eten gebruiken we tang, vorken en eetstokjes om ons voedsel met gratie en precisie te pakken. Zelfs geamputeerden die de bovenste ledematen zijn kwijtgeraakt, kunnen leren prothetische haken te gebruiken voor taken die fijne motorische vaardigheden vereisen.
“Ze kunnen hun schoenen strikken, ze kunnen een sandwich maken, ze kunnen zich aankleden - allemaal met het eenvoudigste mechanisme. Dus we weten dat het mogelijk is als je de juiste intelligentie erachter hebt, 'zegt Berenson.
Machine leren
Om tot dat niveau van intelligentie in een robot te komen, is misschien een sprong nodig in de huidige methoden die onderzoekers gebruiken om ze te beheersen, zegt Bohg. Tot voor kort ging het bij de meeste manipulatiesoftware om het bouwen van gedetailleerde wiskundige modellen van situaties uit de praktijk, waarna de robot die modellen kon gebruiken om zijn beweging te plannen. Een recent gebouwde robot die bijvoorbeeld een Ikea-stoel moet samenstellen, gebruikt een softwaremodel dat elk afzonderlijk stuk kan herkennen, begrijpt hoe het bij zijn buren past en het vergelijkt met hoe het uiteindelijke product eruitziet. Het kan de assemblageklus in ongeveer 20 minuten voltooien. Vraag het echter om een ander Ikea-product te monteren en het zal volledig flummoxed zijn.
Mensen ontwikkelen vaardigheden heel anders. In plaats van diepgaande kennis te hebben over een enge onderwerp, absorberen we direct kennis uit de praktijk en oefenen we de pogingen die werken, en ontslaan we degenen die dat niet doen. Denk terug aan de eerste keer dat je leerde hoe je een ui moest hakken - toen je eenmaal had uitgezocht hoe je het mes en een paar keer moest snijden, hoefde je waarschijnlijk niet helemaal opnieuw te beginnen toen je een aardappel tegenkwam. Dus hoe krijg je een robot om dat te doen?
Bohg denkt dat het antwoord kan liggen in "machine learning", een soort iteratief proces waarmee een robot kan begrijpen welke manipulatiepogingen succesvol zijn en welke niet - en die het mogelijk maakt die informatie te gebruiken om te manoeuvreren in situaties die hij nooit is tegengekomen.
“Voordat machine learning het veld van robotica betrad, ging het allemaal om het modelleren van de fysica van manipulatie - het bedenken van wiskundige beschrijvingen van een object en zijn omgeving, ” zegt ze. "Met machinaal leren kunnen we een robot een aantal voorbeelden geven van objecten die iemand heeft geannoteerd en laten zien: 'Hier is een goede plek om te pakken.'" Een robot zou deze eerdere gegevens kunnen gebruiken om naar een geheel nieuw object te kijken en te begrijpen hoe grijp het.
Deze methode is een grote verandering ten opzichte van eerdere modelleringstechnieken, maar het kan een tijdje duren voordat het geavanceerd genoeg is om robots volledig zelfstandig te laten leren, zegt Berenson. Veel bestaande machine-learning-algoritmen moeten enorme hoeveelheden gegevens krijgen over mogelijke resultaten - zoals alle mogelijke zetten in een schaakspel - voordat ze kunnen beginnen met het uitwerken van het best mogelijke aanvalsplan. In andere gevallen hebben ze misschien honderden, zo niet duizenden pogingen nodig om een bepaald object te manipuleren voordat ze een strategie tegenkomen die werkt.
Dat zal moeten veranderen als een robot moet bewegen en met de wereld moet communiceren zo snel als mensen kunnen. In plaats daarvan, zegt Berenson, zou een ideale robot in staat moeten zijn om in enkele stappen nieuwe vaardigheden te ontwikkelen met vallen en opstaan, of in staat zijn om nieuwe acties uit een enkel voorbeeld te extrapoleren.
Apollo, een robot gebouwd door ingenieur Jeannette Bohg, probeert een cilinder over een tafel te verplaatsen terwijl een kartonnen doos zijn weg blokkeert. In dit experiment verplaatste een onderzoeker de doos naar nieuwe locaties op de tafel terwijl de arm bewoog, waardoor Apollo gedwongen werd zijn baan ter plekke opnieuw te berekenen. Het rommelige beeld in de rechterbenedenhoek toont een weergave vanuit het perspectief van Apollo en onderstreept hoe moeilijk het is voor een robot om objecten eromheen te herkennen en ermee te werken. (COURTESY JEANNETTE BOHG) "De grote vraag die moet worden overwonnen is, hoe kunnen we de modellen van een robot niet met 10 miljoen voorbeelden bijwerken, maar met één ?", Zegt hij. “Om het zover te krijgen dat het zegt: 'OK, dit werkte niet, dus wat moet ik nu doen?' Dat is de echte leervraag die ik zie. "
Mason, de robotica van Carnegie Mellon, is het daarmee eens. De uitdaging van het programmeren van robots om te doen wat we gedachteloos doen, zegt hij, wordt samengevat door iets dat de paradox van Moravec wordt genoemd (vernoemd naar de robotica-pionier Hans Moravec, die ook lesgeeft aan Carnegie Mellon). Het stelt, kort gezegd, dat wat mensen moeilijk kunnen doen vaak met gemak door robots wordt aangepakt, maar wat voor ons een tweede natuur is, is ongelooflijk moeilijk te programmeren. Een computer kan bijvoorbeeld beter schaken dan wie dan ook - maar het is enorm moeilijk gebleken om het zelf een schaakstuk te laten herkennen en oppakken.
Voor Mason klopt dat nog steeds. Ondanks de geleidelijke vooruitgang die onderzoekers boeken op het gebied van robotbesturingssystemen, zegt hij, is het basisconcept van autonome manipulatie een van de moeilijkste noten die het veld nog moet kraken.
"Rationeel, bewust denken is een relatief recente ontwikkeling in de evolutie", zegt hij. “We hebben al die andere mentale machines die in de loop van honderden miljoenen jaren het vermogen hebben ontwikkeld om verbazingwekkende dingen te doen, zoals motoriek, manipulatie, perceptie. Toch gebeuren al die dingen onder het bewuste niveau.
"Misschien zijn de dingen die we beschouwen als een hogere cognitieve functie, zoals in staat zijn om te schaken of algebra te doen - misschien is dat spul doods triviaal in vergelijking met de mechanica van manipulatie."
Knowable Magazine is een onafhankelijk journalistiek streven van Annual Reviews. 
