De robotwereld heeft de afgelopen jaren enorme vooruitgang geboekt, vooral dankzij de integratie van geavanceerde vision-systemen en machine learning. Een interessante nieuwe ontwikkeling op dit gebied is het zogeheten Estimate, Extrapolate and Situate (EES) framework. Deze is ontwikkeld door onderzoekers van het Massachusetts Institute of Technology (MIT) in hun Computer Science and Artificial Intelligence Laboratory (CSAIL). Het framework maakt het mogelijk dat robots zelfstandig kunnen leren, wat onder andere het gebruik van pick-and-place robots die met een grote variatie en soms ook nieuwe voorwerpen haalbaar maakt.
Het EES-framework is ontworpen om de leercapaciteiten van robots te verbeteren, zodat ze taken beter en meer autonoom kunnen uitvoeren. Het werkt volgens een driestapsproces:
1. Estimate (Schatten): De robot begint met het inschatten van zijn huidige vermogen om een specifieke taak uit te voeren. Dit omvat het analyseren van omgevingsfactoren, beschikbare hulpmiddelen, en de eigen fysieke en andere capaciteiten.
2. Extrapolate (Extrapoleren): Vervolgens extrapoleert de robot deze informatie om te voorspellen hoe het zijn prestaties kan verbeteren. Dit kan betekenen dat de robot scenario's simuleert waarin hij zijn vaardigheden toepast om te zien welke strategie het meest effectief is.
3. Situate (Situeren): Tot slot past de robot zijn geleerde vaardigheden toe in de echte wereld, waarbij hij zijn gedrag aanpast op basis van de feedback uit de praktijk. Dit betekent dat de robot zichzelf voortdurend aanpast en verbetert, terwijl hij taken uitvoert.
Toepassingen en voorbeelden
Een concreet voorbeeld van het EES-framework in actie is de training van robots om taken uit te voeren zoals het sorteren van objecten in een magazijn of het monteren van complexe onderdelen. Door deze aanpak zijn robots in staat om flexibeler en efficiënter te werken, zelfs in dynamische omstandigheden.
Dank aan het volgende voorbeeld: in een magazijnomgeving kan een robot die getraind is met het EES-framework snel leren welke objecten voorrang hebben om te worden gesorteerd, hoe ze het beste kunnen worden gehanteerd en hoe ze obstakels kunnen vermijden. Als de omgeving verandert - bijvoorbeeld wanneer nieuwe objecten worden geïntroduceerd of de indeling van het magazijn verandert - kan de robot zich aanpassen zonder dat er nieuwe programmatuur nodig is.
Impact op autonomie
Het EES-framework heeft volgens de MIT-onderzoekers de potentie om de autonomie van robots drastisch te vergroten. Waar robots traditioneel afhankelijk waren van vooraf bepaalde instructies en beperkte mogelijkheden hadden om zich aan te passen aan nieuwe situaties, biedt dit framework volgens hen een manier voor robots om zelfstandig nieuwe vaardigheden te verwerven en hun gedrag te optimaliseren.
Deze verhoogde autonomie opent deuren voor robots om in steeds complexere en onvoorspelbare omgevingen te werken. Denk hierbij aan robots die ingezet worden in reddingsoperaties in rampgebieden, waar de omgeving voortdurend verandert en onmiddellijke aanpassing vereist is. Door gebruik te maken van het EES-framework, kunnen robots in dergelijke situaties zichzelf herprogrammeren om nieuwe strategieën te ontwikkelen die de kans op succes vergroten.
Toekomstperspectieven
De verdere ontwikkeling van het EES-framework en soortgelijke technologieën zal naar verwachting leiden tot een nieuwe generatie van robots die in staat zijn om autonomer te opereren. Deze robots zullen niet alleen in staat zijn om efficiënter te werken, maar ook om hun eigen capaciteiten voortdurend te verbeteren, zonder menselijke tussenkomst. Deze aanpak kan een brede impact hebben op verschillende industrieën, van de maakindustrie tot (intra)logistiek.