Robot, ken uzelf: MIT's Neural Jacobian Fields leren machines hun lichaam te begrijpen

De Uitdaging: Sensor‑Zware Robots

Al decennialang vertrouwen ingenieurs op dichte netwerken van encoders, potentiometers en andere sensoren om robots te vertellen waar hun armen en gewrichten zich bevinden. Deze apparaten monitoren constant de hoek en snelheid van elke motor, zodat de robot kan berekenen hoe hij zijn lichaam door de ruimte moet bewegen. Deze aanpak werkt, maar gaat gepaard met hoge kosten: het vereist complexe bedrading, zorgvuldige kalibratie en faalt vaak als een sensor beschadigd raakt of de omgevingsomstandigheden veranderen. Bovendien moeten traditionele controle-algoritmen zorgvuldig worden afgestemd voor elke nieuwe robot, wat beperkt hoe gemakkelijk ontwerpen kunnen evolueren of zich kunnen aanpassen aan nieuwe taken. Onderzoekers zijn al lang op zoek naar een eenvoudigere manier om machines een gevoel van proprioceptie te geven - het vermogen om de positie en beweging van hun eigen lichaam te kennen - zonder ze te overladen met hardware.

Introductie van Neural Jacobian Fields

In juli 2025 kondigde een team van het Computer Science and Artificial Intelligence Laboratory (CSAIL) van MIT een doorbraak aan genaamd Neural Jacobian Fields (NJF). In plaats van tientallen sensoren te gebruiken, stelt NJF een robot in staat om de relatie tussen zijn gewrichtsbewegingen en resulterende bewegingen te leren alleen door visuele observaties. Met een enkele camera gericht op de robot, observeert het systeem de beweging van de robot en bouwt het geleidelijk een intern model op van hoe zijn gewrichten de positie van zijn ledematen beïnvloeden. Het belangrijkste inzicht is dat dit model, in robotica bekend als een Jacobiaan, kan worden weergegeven door een neuraal netwerk dat direct leert van videobeelden. Eenmaal getraind, stelt het netwerk de robot in staat om af te leiden hoe hij zijn lichaam moet bewegen om een gewenste positie te bereiken zonder expliciete meetapparaten op elk gewricht.

Hoe NJF Werkt

Het NJF-systeem werkt in twee fasen. Tijdens de training voert de robot willekeurige bewegingen uit terwijl een camera zijn beweging vanuit meerdere hoeken opneemt. Het algoritme verwerkt deze beelden om de posities van de gewrichten van de robot bij elk frame te schatten. Vervolgens gebruikt het deze gegevens om een neuraal netwerk te trainen om de Jacobiaan te benaderen - de wiskundige functie die gewrichtssnelheden relateert aan veranderingen in de eindpositie van de robot. Door deze mapping te leren, vangt het netwerk de kinematische structuur van de robot. Zodra de training is voltooid, komt de robot in de controle-fase. Nu, wanneer de camera de huidige staat van de robot observeert, kan het netwerk voorspellen hoe kleine veranderingen in elk gewricht de arm of het been van de robot zullen bewegen. Dit stelt de controller in staat om de nodige gewrichtscommando's te berekenen om een doelpositie te bereiken. Omdat het systeem alleen op visuele input vertrouwt, is het robuust tegen veranderingen in de massaverdeling van de robot of kleine mechanische slijtage die normaal gesproken ijking vereisen.

Voordelen en Toepassingen

De implicaties van NJF gaan verder dan academische nieuwsgierigheid. Door de behoefte aan encoders op elk gewricht te elimineren, kunnen robots lichter, goedkoper en duurzamer worden gemaakt. Een robotarm in een fabriek zou kunnen blijven werken, zelfs als sommige sensoren uitvallen, omdat het op zijn geleerde model kan vertrouwen om zijn toestand af te leiden. Voor taken die plaatsvinden in onvoorspelbare omgevingen - zoals zoek- en reddingsacties, ruimteverkenning of landbouw - is het vermogen om zich zonder handmatige herkalibratie aan te passen cruciaal. NJF opent ook de deur naar nieuwe robotmorfologieën. Ontwerpers kunnen experimenteren met zachte of modulaire robots waarvan de vorm in de loop van de tijd verandert, wetende dat de machine zijn eigen lichaamseigen dynamiek kan leren via visuele waarneming. In onderwijs en hobbyrobotica kunnen studenten binnenkort goedkope robots bouwen die zichzelf leren beheersen met slechts een webcam.

Toekomstige Vooruitzichten

Hoewel NJF nog steeds een onderzoeksprototype is, zijn de makers ervan optimistisch over de toekomst. De volgende stappen omvatten het verbeteren van de efficiëntie van het leerproces en het uitbreiden van de methode naar robots met meer complexe gewrichten en flexibele componenten. Het integreren van NJF met tactiele sensoren en andere modaliteiten zou robots een completer gevoel van hun lichaam kunnen geven, vergelijkbaar met de proprioceptie die dieren bezitten. Als het succesvol is, zouden visueel-gebaseerde controletechnieken zoals Neural Jacobian Fields fundamenteel kunnen veranderen hoe we autonome machines ontwerpen en inzetten, waardoor ze meer aanpasbaar, veerkrachtig en in staat zijn om samen met mensen in de echte wereld te werken.

Bron: MIT News