Under de senaste decennierna har robotforskare introducerat ett stort antal system med distinkta kroppsstrukturer och varierande kapacitet. I takt med att antalet utvecklade robotar ständigt ökar kan det visa sig vara mycket värdefullt att enkelt kunna lära sig mer om dessa många system, deras unika egenskaper, skillnader och prestanda vid specifika uppgifter.
Forskare vid Münchens tekniska universitet (TUM) har nyligen skapat ”Tree of Robots”, ett nytt uppslagsverk som kan göra det betydligt enklare att lära sig mer om befintliga robotsystem och jämföra dem. Deras robotlexikon, som presenteras i en artikel publicerad i Nature Machine Intelligence, kategoriserar robotar baserat på deras prestationsförmåga i olika uppgifter.
”Ambitionen att skapa intelligenta robotar som kan förstå sin omgivning på samma sätt som vi människor och utföra uppgifter självständigt har funnits i evigheter”, säger Robin Jeanne Kirschner, försteförfattare till artikeln, till Tech Xplore.
”Den aktiva utvecklingen av taktila robotar – robotar som kan förstå sin omgivning genom känslan av beröring – började för ungefär 20 år sedan. Denna resa började med skapandet av lättviktssystem utrustade med vridmomentsensorer i varje led. Sedan dess har vi sett förbättrad teknik, bättre styrenheter och nya reaktionsscheman, vilket har gjort det möjligt att utveckla system som är skickliga på att utföra uppgifter och uppfatta miljön genom beröring.”
De flesta standarder och metoder för att klassificera robotar som hittills har införts tar inte hänsyn till systemens förmåga att anpassa sig till sin omgivning och framgångsrikt interagera med närliggande föremål genom att röra vid dem. Denna avgörande förmåga påverkar både robotarnas säkerhet och deras prestanda vid specifika uppgifter, som spänner över olika verkliga tillämpningar.
”Fokus för systemklassificeringen är fortfarande uppdelad utifrån t.ex. individuella mekaniska egenskaper, nya styrfunktioner och certifieringar baseras enbart på den mekaniska strukturen hos avkänningssystem i stället för på deras faktiska prestanda”, säger Kirschner. ”Detta snäva synsätt förbiser ofta samspelet mellan komponenterna och det centrala syftet med en robot: att hjälpa till att utföra uppgifter, vilket kräver specifika egenskaper.”
För att komma till rätta med begränsningarna i de befintliga robotklassificeringsmetoderna började Kirschner och hennes kollegor testa olika befintliga system med fokus på funktioner som påverkar deras säkerhet, t.ex. deras förmåga att upptäcka kontakt med andra föremål. Samtidigt genomförde de en djupgående analys av robotarnas arbetsuppgifter och tog fram flera mätvärden som visar robotarnas kapacitet utöver säkerheten, t.ex. deras förmåga att utföra taktila uppgifter och interagera med människor på ett bekvämt sätt.
”Genom att testa flera robotmanipulatorer kunde vi sedan härleda alla dessa mätvärden och visa att dessa systems taktila förmåga varierar avsevärt, vilket kräver en lämplig klassificering och encyklopedi – Tree of Robots”, säger Kirschner.
Konceptet med robotarnas träd och den första etablerade grupperingen för industriella fasta manipulatorer. Kredit: Kirschner et al (Nature Machine Intelligence, 2025).
”Som ett resultat av detta inrättade vi AI Robot Performance and Safety Center – ett särskilt laboratorium utrustat med avancerad mätutrustning för att utvärdera robotprestanda. Med dessa resurser strävar vi efter att ytterligare utveckla ”Tree of Robot”, en viktig encyklopedi för robotikområdet.”
Encyklopedin Tree of Robots är tänkt att uppdateras kontinuerligt över tid och i slutändan fungera som en Wikipedia-liknande plattform som innehåller information om robotar och deras kapacitet. Den innehåller en stor mängd information om allt från robotarnas grundläggande kroppsstrukturer till de motorer och/eller sensorer som de förlitar sig på och deras resulterande förmågor, särskilt känsligheten och tillförlitligheten i deras fysiska interaktioner (dvs. taktilitetsförmåga) och precisionen i deras rörelser (dvs. rörelseförmåga).
”Vi började med att analysera och klassificera befintliga stationära manipulatorer med hjälp av fitnessmått som vi definierade specifikt för industriella tillämpningar, men encyklopedin måste utvidgas till att omfatta andra robotsystem för serviceuppgifter, t.ex. humanoider eller mobila robotar”, förklarar Kirschner. ”Syftet är att på ett effektivt sätt vägleda utvecklingen av både hårdvara och mjukvara inom robotik.”
Till skillnad från många tidigare robotkategoriseringsmetoder beskriver Tree of Robots encyklopedi tydligt de specialiserade egenskaperna hos olika robotar. Dessutom grupperas robotar i tre huvudgrupper baserat på deras taktilitetsförmåga, vilket indikerar i vilken utsträckning de är lämpliga för att utföra specifika uppgifter.
Metriska testuppställningar. Kredit: Nature Machine Intelligence (2025). DOI: 10.1038/s42256-025-00995-y
”Denna grundläggande insikt bör integreras i applikationsdesign, standardiseringsinsatser och framtida robotutveckling”, säger Kirschner. ”Genom att anpassa hård- och mjukvarukomponenter för att uppnå optimal prestanda för en viss process – i stället för att utforma processer så att de passar systemets begränsningar – kan vi utveckla robottekniken till nya nivåer av effektivitet och ändamålsenlighet.”
Den nya encyklopedin som Kirschner och hennes kollegor har utvecklat kan användas i framtida forskning, till exempel genom att hjälpa andra datavetare och robotiker att identifiera de bästa systemen för att testa sina algoritmer. Under tiden planerar forskarna att fortsätta lägga till information i Tree of Robots, inklusive andra robotsystem och andra relevanta mätvärden.
”Vi utvidgar nu vårt arbete i flera riktningar”, tillägger Kirschner. ”Mitt fokus ligger på att koppla samman dessa viktiga resultat för att garantera människors säkerhet i samarbeten, med betoning på robotens taktila förmåga. Målet är att uppnå certifierbart säkra tillämpningar med taktila robotsystem. Tillsammans med andra team undersöker vi också hur vi kan utöka robotarnas användningsområde inom andra områden, t.ex. system som är utformade för service- och vårduppgifter och som inkluderar t.ex. humanoida system.”
För mer information: Robin Jeanne Kirschner et al, Categorizing robots by performance fitness into the tree of robots, Nature Machine Intelligence (2025). DOI: 10.1038/s42256-025-00995-y.
