Machine learning in robotica: een gids voor 2026

Korte samenvatting: Machine learning in de robotica stelt robots in staat om te leren van ervaringen, zich aan te passen aan nieuwe situaties en hun prestaties in de loop van de tijd te verbeteren zonder expliciete herprogrammering. Door algoritmen zoals deep learning, reinforcement learning en computervisie te combineren, kunnen robots nu omgevingen waarnemen, beslissingen nemen en complexe taken autonoom uitvoeren – van het navigeren door magazijnen tot het uitvoeren van precisieassemblage in de productie.

Robots volgen niet langer alleen maar commando's op. Ze leren, passen zich aan en verbeteren zich – net zoals wij.

Machine learning heeft de mogelijkheden van robots fundamenteel veranderd. In plaats van uitsluitend te vertrouwen op voorgeprogrammeerde instructies, gebruiken moderne robots algoritmes om data te analyseren, patronen te herkennen en in realtime beslissingen te nemen. Deze verschuiving heeft mogelijkheden ontsloten die tien jaar geleden nog onmogelijk leken: zelfrijdende voertuigen die door drukke straten navigeren, magazijnrobots die hun eigen routes optimaliseren en chirurgische assistenten die zich aanpassen aan de anatomie van de patiënt.

De Amerikaanse National Science Foundation (NSF) investeert al decennia in fundamenteel robotonderzoek en verlegt voortdurend de grenzen van onderzoek, innovatie en productiviteit. Volgens de NSF spelen robots een steeds grotere rol in het dagelijks leven, van de fabrieksvloer tot de operatiekamer en zelfs in de ruimte.

Deze gids legt uit hoe machine learning werkt in de robotica, welke algoritmen de verschillende mogelijkheden aandrijven, waar deze systemen tegenwoordig in uitblinken en welke beperkingen er nog bestaan. Of ze nu autonoom of collaboratief zijn, robots die zijn uitgerust met machine learning hervormen industrieën – en dat tempo vertraagt niet.

Wat is machinaal leren in de robotica?

Machine learning in robotica verwijst naar algoritmen die robots in staat stellen hun prestaties te verbeteren door ervaring in plaats van door expliciete programmering. In plaats van elk mogelijk scenario in de code vast te leggen, trainen ingenieurs robots met datasets, zodat ze kunnen generaliseren naar nieuwe situaties.

Zie het zo: traditionele robots voeren taken stap voor stap uit op basis van vaste regels. Als er iets onverwachts gebeurt – een obstakel verschijnt, de verlichting verandert of een object staat anders – faalt de robot vaak of is menselijke tussenkomst nodig.

Machine learning draait dit model om. Robots die zijn uitgerust met ML-algoritmen kunnen:

• Ze nemen hun omgeving waar met behulp van sensoren en camera's.
• Sensorische gegevens verwerken om objecten, obstakels en patronen te identificeren.
• Neem beslissingen op basis van aangeleerde modellen in plaats van rigide regels.
• Pas je gedrag aan wanneer de omstandigheden veranderen.
• Ze verbeteren na verloop van tijd naarmate ze meer voorbeelden tegenkomen.

Grote neurale netwerken die zijn getraind op datasets, zogenaamde basismodellen, versnellen het leerproces van robots. Volgens onderzoekers van de Universiteit van Michigan vertegenwoordigen deze modellen brede kennis over taal, zicht en fysieke interacties, waardoor robots effectiever kunnen redeneren en handelen.

Het National Robotics Initiative van de NSF richt zich op samenwerkende robots die individuen en groepen direct ondersteunen, met de nadruk op robotintelligentie en ervaringsgericht leren – met name op het gebied van krachtige processoren die situationeel bewustzijn en verbeterde kunstmatige intelligentie mogelijk maken.

Ontwikkel tools voor computervisie en machine learning met superieure AI.

AI Superieur Ze ontwikkelen AI-gebaseerde applicaties en maatwerksoftwareproducten met behulp van machine learning-modellen en -algoritmen. Hun werk kan onder andere computervisie, beeldverwerking, voorspellende analyses, NLP, BI en big data-analyse omvatten.

Voor roboticateams kan dit ondersteuning bieden bij objectdetectie, cameragebaseerde herkenning, analyse van sensorgegevens, navigatieondersteuning of beslissingsondersteunende tools die zijn gebouwd op basis van robotgegevens.

Moet AI worden geïntegreerd in robotiseringsworkflows?

AI Superior kan u helpen met:

• het bouwen van aangepaste computervisietools
• Het ontwikkelen van machine learning-modellen voor sensorgegevens.
• Ideeën testen door middel van PoC- of MVP-ontwikkeling
• AI integreren in bestaande systemen

👉 Neem contact op met AI Superior om uw project te bespreken.

Kernmethoden voor machinaal leren in de robotica

Verschillende machine learning-benaderingen zijn essentieel gebleken voor robotsystemen. Elk pakt verschillende uitdagingen aan, van waarneming tot besturing en taakplanning.

Begeleid leren

Bij supervised learning worden robots getraind met behulp van gelabelde datasets: input-outputparen die het systeem leren om specifieke inputs aan de juiste outputs te koppelen. Zo trainen duizenden afbeeldingen met labels als 'doos', 'pallet' of 'vorkheftruck' het vision-systeem van een magazijnrobot om deze objecten te herkennen.

Deze methode werkt goed wanneer er voldoende trainingsdata beschikbaar zijn en de taak duidelijke juiste antwoorden heeft. Veelvoorkomende toepassingen zijn objectherkenning, spraakherkenning en kwaliteitscontrole.

Versterkend leren

Reinforcement learning leert robots door middel van vallen en opstaan. De robot voert acties uit in een omgeving, ontvangt beloningen voor succesvolle resultaten en straffen voor mislukkingen. Na verloop van tijd leert de robot welke acties de cumulatieve beloningen maximaliseren.

Deze aanpak blinkt uit in taken die sequentiële besluitvorming vereisen: navigatie, manipulatie en het spelen van spelletjes. Een robot die bijvoorbeeld leert objecten vast te pakken, probeert verschillende benaderingen uit en ontdekt gaandeweg welke grijpstrategieën het beste werken voor verschillende vormen en materialen.

Reinforcement learning heeft baanbrekende ontwikkelingen mogelijk gemaakt op het gebied van autonome navigatie en robotbesturing, met name wanneer expliciete programmering van optimaal gedrag onpraktisch is.

Diep leren

Deep learning maakt gebruik van meerlaagse neurale netwerken om automatisch representaties te ontdekken in ruwe data. In plaats van handmatig kenmerken te creëren, leren diepe netwerken hiërarchische patronen – van eenvoudige randen en texturen tot complexe objecten en scènes.

In de robotica heeft deep learning een revolutie teweeggebracht in computervisie, waardoor robots visuele scènes met bijna menselijke nauwkeurigheid kunnen begrijpen. Convolutionele neurale netwerken (CNN's) verwerken camerabeelden om objecten te detecteren, afbeeldingen te segmenteren en diepte te schatten.

Diepgaande versterkingslering combineert deze benaderingen: neurale netwerken leren besturingsstrategieën rechtstreeks uit sensorische input, waarbij pixels aan acties worden gekoppeld zonder tussenliggende feature engineering.

Transferleren

Transfer learning maakt gebruik van kennis die is opgedaan bij één taak om het leerproces bij verwante taken te versnellen. Een robot die is getraind om objecten in een magazijn te herkennen, kan dat visuele begrip overdragen naar een productieomgeving, waardoor er minder trainingsdata nodig zijn voor de nieuwe omgeving.

Fundamentele modellen illustreren transfer learning op grote schaal. Deze grote netwerken, die zijn getraind op enorme datasets, bieden uitgangspunten waarmee robotica-toepassingen kunnen worden verfijnd voor specifieke taken, waardoor de trainingstijd en de benodigde data drastisch worden verminderd.

Belangrijke toepassingen van machinaal leren in de robotica

Machine learning heeft de overstap gemaakt van onderzoekslaboratoria naar productiesystemen in diverse sectoren. Hieronder lees je waar de impact het grootst is.

Autonome navigatie

Robots in de logistiek, landbouw en transport gebruiken machine learning om routes in kaart te brengen, obstakels te vermijden en een alternatieve route te kiezen wanneer paden geblokkeerd zijn. Zelfrijdende auto's vormen het meest zichtbare voorbeeld: perceptiesystemen verwerken camera- en lidargegevens om voetgangers, voertuigen en wegmarkeringen te detecteren, terwijl planningsalgoritmen de besturing en acceleratie bepalen.

Magazijnrobots navigeren door dynamische omgevingen vol met menselijke werknemers, heftrucks en steeds veranderende voorraadindelingen. In plaats van vaste routes te volgen, nemen ze continu waar en passen ze zich aan.

Computervisie en -perceptie

Machine learning stelt robots in staat visuele informatie te interpreteren. Objectdetectie identificeert wat zich in een scène bevindt, semantische segmentatie bepaalt de grenzen tussen verschillende objecten en pose-schatting berekent de 3D-oriëntatie.

Productierobots gebruiken vision-systemen om onderdelen op transportbanden te lokaliseren, defecten in producten te identificeren en de correctheid van de assemblage te controleren. Landbouwrobots onderscheiden gewassen van onkruid, beoordelen de rijpheid en sturen oogstmachines aan.

Het NSF Robotics-thema stimuleert specifiek innovaties op het gebied van spraak-, obstakel- en beeldherkenning – technologieën die essentieel zijn voor robotperceptie.

Manipulatie en grijpen

Voor mensen lijkt het oppakken van objecten eenvoudig, maar voor robots vormt het een enorme uitdaging. Objecten variëren in grootte, vorm, gewicht, kwetsbaarheid en oppervlaktestructuur. Traditionele programmering kan niet met al deze mogelijkheden rekening houden.

Machine learning-methoden leren grijpstrategieën uit ervaring. Robots proberen duizenden grepen uit in een simulatie of in de praktijk en ontdekken zo geleidelijk welke grijperoriëntaties en krachtniveaus het beste werken voor verschillende objecten. Deep learning verwerkt tactiele sensorgegevens om de grijpdruk in realtime aan te passen.

Samenwerking tussen mens en robot

Samenwerkende robots (cobots) werken samen met mensen in plaats van in geïsoleerde cellen. Machine learning helpt deze systemen de intentie van mensen te begrijpen, bewegingen te voorspellen en hun gedrag aan te passen voor veiligheid en efficiëntie.

Gebarenherkenning maakt natuurlijke communicatie mogelijk zonder fysieke interfaces. Spraakherkenning en natuurlijke taalverwerking maken verbale commando's mogelijk. Leren door demonstratie stelt operators in staat nieuwe taken aan te leren door de robot fysiek door bewegingen te leiden, die het systeem vervolgens generaliseert tot herbruikbare vaardigheden.

Voorspellend onderhoud

ML-algoritmen monitoren sensorgegevens – trillingen, temperatuur, stroomverbruik – om componentstoringen te voorspellen voordat ze zich voordoen. Dit verschuift onderhoud van reactief (repareren wat kapot gaat) of gepland (onderdelen met tussenpozen vervangen) naar voorspellend (onderhoud op basis van de werkelijke toestand).

Robots kunnen hun eigen conditie bewaken en afwijkingen detecteren die wijzen op slijtage, verkeerde uitlijning of dreigend defect. Dit vermindert stilstandtijd en verlengt de levensduur van de apparatuur.

Medische robotica

Chirurgische robots maken gebruik van machinaal leren voor weefselherkenning, het volgen van instrumenten en bewegingsplanning. Computervisie identificeert anatomische structuren in endoscopische video's, waardoor chirurgen beter kunnen navigeren en kritieke bloedvaten of zenuwen kunnen vermijden.

Revalidatierobots passen de therapie aan op basis van de vooruitgang van de patiënt en stemmen de ondersteuning af naarmate de motorische functie verbetert. Protheses leren de intentie van de gebruiker aan de hand van spiersignalen, waardoor een meer natuurlijke bediening mogelijk is.

De leercyclus: hoe robots leren van hun ervaringen.

Inzicht in hoe machine learning in de praktijk werkt, helpt te verduidelijken wat deze systemen wel en niet kunnen. De meeste leerprocessen doorlopen een cyclus van drie stappen.

Stap 1: Gegevensverzameling en perceptie

Robots verzamelen informatie via sensoren: camera's, lidar, radar, tastsensoren, microfoons en traagheidssensoren. Deze ruwe sensorische gegevens vormen de basis voor het leerproces.

Voor beeldverwerkingstaken kunnen datasets duizenden of miljoenen gelabelde afbeeldingen bevatten. Voor manipulatie omvat de data onder andere de posities van de grijper, de krachten die erop worden uitgeoefend en de uitkomsten van succes/falen. Navigatiesystemen verzamelen kaarten, locaties van obstakels en de uitkomsten van trajecten.

Zowel kwaliteit als kwantiteit zijn belangrijk. Meer diverse data leiden over het algemeen tot betere generalisaties, maar vertekende of onvolledige datasets resulteren in kwetsbare systemen die op onverwachte manieren falen.

Stap 2: Modeltraining en patroonherkenning

Machine learning-algoritmen verwerken verzamelde data om patronen te ontdekken en voorspellende modellen te bouwen. Neurale netwerken passen miljoenen interne parameters aan om voorspellingsfouten te minimaliseren. Reinforcement learning-agenten actualiseren beleidsregels om de verwachte beloningen te maximaliseren.

Training kan offline plaatsvinden (op verzamelde datasets vóór de implementatie) of online (continu tijdens de werking). Offline training is geschikt voor duidelijk gedefinieerde taken waar veel data beschikbaar is. Online training werkt wanneer de omgeving regelmatig verandert of wanneer er in eerste instantie weinig trainingsdata beschikbaar zijn.

Simulatie speelt een cruciale rol: robots kunnen miljoenen keren oefenen in virtuele omgevingen voordat ze taken in de realiteit uitvoeren, waardoor het leerproces aanzienlijk wordt versneld en fysieke slijtage en veiligheidsrisico's worden vermeden.

Stap 3: Implementatie en continue verbetering

Na de training passen robots de geleerde modellen toe op situaties in de echte wereld. Maar het leerproces stopt niet. Systemen monitoren de prestaties, identificeren fouten, verzamelen aanvullende gegevens over uitzonderlijke gevallen en verfijnen de modellen.

Deze feedbackloop maakt continue verbetering mogelijk. Een magazijnrobot die af en toe pakketten verkeerd identificeert, kan die voorbeelden registreren. Deze worden vervolgens toegevoegd aan de trainingsdata voor de volgende modelupdate. Na verloop van tijd verbetert de prestatie gestaag.

Uitdagingen en beperkingen van machine learning in de robotica

Machine learning biedt enorme mogelijkheden, maar er blijven aanzienlijke uitdagingen bestaan. Inzicht in deze beperkingen is belangrijk voor het stellen van realistische verwachtingen en het prioriteren van onderzoek.

Gegevensvereisten

De meeste methoden voor machinaal leren vergen veel data. Het trainen van robuuste modellen vereist vaak duizenden of miljoenen voorbeelden, wat moeilijk en duur is om te verkrijgen voor fysieke robotsystemen.

Simulatie is nuttig, maar gesimuleerde data komt niet perfect overeen met de werkelijkheid. De "kloof tussen simulatie en realiteit" betekent dat modellen die puur in simulatie zijn getraind, vaak slecht presteren wanneer ze op fysieke robots worden ingezet. Om deze kloof te overbruggen zijn zorgvuldige domeinadaptatietechnieken nodig of moet de simulatie worden aangevuld met data uit de praktijk.

Veiligheid en betrouwbaarheid

Traditionele software werkt of faalt op voorspelbare wijze. Machine learning-modellen vertonen probabilistisch gedrag: ze hebben meestal gelijk, maar soms zitten ze er op onvoorspelbare manieren naast.

Dit levert serieuze uitdagingen op voor veiligheidskritische toepassingen. Het Safe Learning-Enabled Systems-programma van de NSF pakt dit probleem specifiek aan en investeert tot oktober 2023 10,9 miljoen dollar om onderzoek te ondersteunen dat ervoor zorgt dat de vooruitgang in AI hand in hand gaat met de veiligheid van de gebruiker.

Formele verificatiemethoden die de correctheid van software bewijzen, zijn niet direct toepasbaar op getrainde neurale netwerken. Het testen van de dekkingsgraad wordt vrijwel onmogelijk gezien de hoge dimensionaliteit van de invoerruimte. Het garanderen van veilig gedrag in alle mogelijke scenario's blijft een open probleem.

Generalisatie en randgevallen

ML-modellen leren patronen uit trainingsdata, maar kunnen falen wanneer ze situaties tegenkomen die buiten die verdeling vallen. Een robot die getraind is om te navigeren in magazijnen met gladde betonnen vloeren, kan problemen ondervinden wanneer hij wordt ingezet in een faciliteit met een metalen roostervloer.

Randgevallen – zeldzame situaties die niet goed vertegenwoordigd zijn in de trainingsdata – veroorzaken onevenredig veel fouten. Om hiermee om te gaan, zijn ofwel enorme datasets nodig die elke mogelijke situatie omvatten (vaak onpraktisch), ofwel systemen die herkennen wanneer ze onzeker zijn en menselijke begeleiding vragen.

Rekenkundige vereisten

Deep learning-modellen, met name die welke realtime video met hoge resolutie verwerken, vereisen aanzienlijke rekenkracht. Dit vormt een uitdaging voor mobiele robots met beperkte ingebouwde rekenkracht en processorkracht.

Mogelijke oplossingen zijn onder andere gespecialiseerde hardwareversnellers (GPU's, TPU's), modelcompressietechnieken of het uitbesteden van berekeningen aan cloudservers – hoewel dat laatste wel vertraging en afhankelijkheid van de internetverbinding met zich meebrengt.

Interpreteerbaarheid

Neurale netwerken functioneren als black boxes: ze produceren output, maar het blijft lastig te begrijpen waarom. Wanneer een robot een verkeerde beslissing neemt, is het niet eenvoudig om de onderliggende oorzaak vast te stellen en het probleem op te lossen.

Dit gebrek aan interpreteerbaarheid bemoeilijkt het debuggen, vermindert het vertrouwen en creëert uitdagingen op het gebied van regelgeving. Onderzoek naar verklaarbare AI is erop gericht om modelbeslissingen transparanter te maken, maar praktische oplossingen blijven schaars.

Trainingsduur en benodigde middelen

Het trainen van grote modellen vereist aanzienlijke tijd en rekenkracht. Reinforcement learning-agenten hebben mogelijk miljoenen interacties nodig om complexe taken te leren. Dit vertraagt de ontwikkelingscycli en beperkt de toegankelijkheid tot organisaties met substantiële middelen.

Opkomende trends en de toekomst van machine learning in robotica

Het vakgebied blijft zich snel ontwikkelen. Verschillende trends zullen de volgende generatie zelflerende robots vormgeven.

Fundamentele modellen en grootschalige pretraining

Basismodellen – neurale netwerken die zijn getraind op enorme, diverse datasets – vertegenwoordigen een paradigmaverschuiving. In plaats van taakspecifieke modellen helemaal opnieuw te trainen, kunnen robots gebruikmaken van deze voorgegetrainde representaties en deze verfijnen voor specifieke toepassingen.

Visueel-taalmodellen die zowel beelden als tekst begrijpen, stellen robots in staat om instructies in natuurlijke taal op te volgen of te redeneren over visuele scènes met behulp van gezond verstand. Onderzoekers van Princeton en andere instellingen onderzoeken hoe basismodellen in de robotica bredere mogelijkheden bieden met minder taakspecifieke training.

Simulatie-naar-echte overdracht

Vooruitgang in natuurkundige simulatie en domeinrandomisatie verkleint de kloof tussen simulatie en realiteit. Training in simulatie blijft veel goedkoper en sneller dan fysieke experimenten, dus een verbeterde betrouwbaarheid van de transfer maakt efficiënter leren mogelijk.

Technieken zoals domeinrandomisatie – waarbij belichting, texturen en fysica-parameters tijdens gesimuleerde training worden gevarieerd – produceren modellen die bestand zijn tegen variaties in de echte wereld. De combinatie van simulatie en kleine hoeveelheden echte data levert betere resultaten op dan elk van beide afzonderlijk.

Leren en samenwerken met meerdere robots

In plaats van dat individuele robots geïsoleerd leren, kunnen vloten ervaringen delen. De mislukkingen en successen van één robot worden trainingsdata voor alle andere, waardoor de collectieve verbetering aanzienlijk wordt versneld.

Federated learning maakt dit mogelijk met behoud van privacy: robots trainen lokale modellen op hun eigen data en delen vervolgens modelupdates in plaats van de ruwe data. Deze aanpak is geschikt voor gedistribueerde implementaties zoals magazijnrobots of landbouwrobots.

Geïntegreerde AI en fysieke intelligentie

Traditioneel AI-onderzoek richtte zich vaak op ontlichaamde intelligentie – systemen die redeneren over abstracte problemen. Maar robotica in de praktijk vereist fysieke intelligentie: inzicht in krachten, evenwicht, wrijving en materiaaleigenschappen.

Onderzoek legt steeds meer de nadruk op belichaamd leren – training die rekening houdt met de fysieke vorm en beperkingen van de robot. Dit leidt tot meer praktische vaardigheden en een betere generalisatie naar echte taken.

Leren door demonstratie en imitatie

Het programmeren van robots door middel van demonstratie in plaats van coderen verlaagt de drempel voor expertise. Operators demonstreren taken via teleoperatie of fysieke begeleiding, waarna de robot leert om dit gedrag te reproduceren en te generaliseren.

Modern imitatieleren combineert demonstratiegegevens met bekrachtigingsleren, waardoor robots de prestaties van de demonstrator kunnen overtreffen – ze leren van voorbeelden en optimaliseren vervolgens door te oefenen.

Edge AI en leren op het apparaat zelf

In plaats van afhankelijk te zijn van cloudverbindingen, voert edge AI modellen rechtstreeks uit op de hardware van de robot. Gespecialiseerde accelerators maken dit mogelijk, zelfs voor complexe deep learning-modellen.

Leren op het apparaat zelf maakt realtime aanpassing mogelijk zonder gegevensoverdracht, waardoor de latentie en privacyproblemen worden verminderd. Robots kunnen zich via lokale fijnafstemming personaliseren voor specifieke omgevingen of gebruikers.

Onderzoeksfinanciering en -ondersteuning voor innovatie in de robotica

Overheids- en academische instellingen blijven fors investeren in het verbeteren van robotmogelijkheden door middel van machinaal leren.

De Amerikaanse National Science Foundation verstrekt via haar SBIR-programma subsidies specifiek voor robotica-toepassingen. Om in aanmerking te komen, moeten bedrijven kleine ondernemingen zijn met minder dan 500 werknemers en ten minste 501 ton aandelenkapitaal in handen van Amerikaanse burgers of permanente inwoners. Hoofdonderzoekers moeten zich ten minste 20 uur per week inzetten (minimaal 173 uur per projectperiode van zes maanden, wat overeenkomt met één maand toegewijde tijd).

Het Foundational Research in Robotics-programma van de NSF ondersteunt academisch onderzoek dat de grenzen verlegt op het gebied van robotintelligentie, -leren en -autonomie. Dit omvat werk aan krachtige processoren die situationeel bewustzijn en verbeterde kunstmatige intelligentie mogelijk maken, evenals innovaties op het gebied van spraak-, obstakel- en beeldherkenning.

Volgens bronnen binnen de NSF investeert de NSF al sinds begin jaren zestig in onderzoek naar kunstmatige intelligentie, waarmee de technische en conceptuele basis is gelegd voor de innovaties van vandaag.

Het Computer Science and Artificial Intelligence Laboratory (CSAIL) van MIT is toonaangevend in onderzoek dat zich uitstrekt van theoretische grondslagen en algoritmen tot toepassingen, waaronder robotica, gezondheidszorg, taalverwerking en informatie-retrieval. Het werk omvat precisiegeneeskunde, bewegingsplanning, computervisie, Bayesiaanse inferentie en statistische schatting.

Praktische overwegingen voor de implementatie van machine learning in robotica

Organisaties die machine learning overwegen voor robotsystemen, moeten verschillende praktische factoren in overweging nemen.

Infrastructuurvereisten

Machine learning-workflows vereisen een aanzienlijke infrastructuur: GPU-servers voor training, systemen voor gegevensopslag en -beheer, simulatieomgevingen en implementatiepipelines. Cloudplatforms bieden deze mogelijkheden als services aan, waardoor de initiële investering wordt verlaagd, maar er wel doorlopende kosten ontstaan.

Vereiste vaardigheden

Het succesvol implementeren van machine learning in robotica vereist interdisciplinaire expertise: robotica-engineering, machine learning, computervisie, regeltechniek en domeinkennis. Organisaties moeten mogelijk teams samenstellen die deze vaardigheden combineren of samenwerken met specialisten.

Datastrategie

Kwalitatief hoogwaardige data vormen de basis voor effectief leren. Organisaties zouden vanaf het begin moeten plannen maken voor het verzamelen, labelen, versiebeheer en beheren van data. Denk na over welke data beschikbaar is, welke data verzameld moet worden, hoe diversiteit en volledigheid gewaarborgd kunnen worden en hoe om te gaan met uitzonderlijke gevallen.

Testen en validatie

Het grondig testen van door machine learning aangedreven robots vóór de inzet is van cruciaal belang. Stel duidelijke prestatiemaatstaven vast, test in diverse scenario's, kwantificeer de onzekerheid en implementeer terugvalmechanismen voor het geval het model situaties tegenkomt die buiten de trainingsdataset vallen.

Wettelijke en veiligheidsvoorschriften

Robots die in de buurt van mensen werken, moeten aan veiligheidsnormen voldoen. ISO 10218 is van toepassing op industriële robots, terwijl ISO 13482 betrekking heeft op robots voor persoonlijke verzorging. Machine learning brengt uitdagingen met zich mee voor de naleving van deze normen, omdat het gedrag niet volledig deterministisch is. Werk daarom vroegtijdig samen met normalisatie-instanties en certificeringsexperts.

Praktische voorbeelden en casestudies

Verschillende reeds in gebruik genomen systemen tonen de impact van machinaal leren op robotica aan.

Autonome mobiele robots in magazijnen

Logistieke bedrijven zetten duizenden autonome mobiele robots in die door magazijnen navigeren, obstakels vermijden, routes optimaliseren en samenwerken met menselijke medewerkers. Deze robots gebruiken computervisie om hun omgeving waar te nemen en reinforcement learning om de navigatie-efficiëntie continu te verbeteren.

Vlootleren betekent dat de ervaringen van individuele robots de hele vloot ten goede komen: wanneer één robot een nieuw type obstakel tegenkomt, leren alle robots ermee om te gaan.

Samenwerkingsrobots in de productie

Uit brancherapporten blijkt dat collaboratieve robots (cobots) steeds vaker machine learning gebruiken voor taken zoals assemblage, kwaliteitscontrole en materiaalverwerking. Vision-systemen, getraind op duizenden voorbeelden, identificeren defecten in onderdelen met een nauwkeurigheid die gelijk is aan of zelfs hoger is dan die van menselijke inspecteurs, en passen zich tegelijkertijd aan nieuwe soorten defecten aan zodra deze zich voordoen.

De MIP Junior industriële collaboratieve robotarm, die volgens ROS-robotregisters vanaf € 9.500 verkrijgbaar is, is een voorbeeld van toegankelijke collaboratieve robotica die is ontworpen voor eenvoudige programmering en vaak is voorzien van op leren gebaseerde functies voor aanpasbaarheid.

Landbouwrobots

Computervisie stelt landbouwrobots in staat gewassen van onkruid te onderscheiden, de rijpheid van producten te beoordelen en selectief te oogsten. Deze systemen moeten enorme variaties aankunnen: veranderingen in de lichtomstandigheden gedurende de dag, planten in verschillende groeistadia en uiteenlopende veldomstandigheden.

Het vermogen van machine learning om te generaliseren op basis van trainingsvoorbeelden maakt dit praktisch toepasbaar waar traditionele, op regels gebaseerde systemen zouden falen.

Servicerobots

Onderzoeksplatformen zoals TIAGo – een servicerobot ontworpen voor binnenomgevingen – combineren mobiliteit, waarneming, manipulatie en interactie tussen mens en robot. Deze platforms, die nu beschikken over een omnidirectionele wielbasis voor 360-gradenbeweging, maken onderzoek mogelijk op het gebied van omgevingsondersteund wonen en lichte industrie, met name voor het testen van machine learning-algoritmen in realistische scenario's.

Veelgestelde vragen