För att effektivt kunna hantera en mängd olika uppgifter i verkligheten måste robotar kunna greppa föremål av olika former, strukturer och storlekar på ett tillförlitligt sätt utan att tappa dem på oönskade platser. Konventionella metoder för att förbättra robotars förmåga att greppa föremål går ut på att öka greppkraften hos robothanden för att förhindra att föremålen glider.
Forskare vid University of Lincoln, Toshiba Europes forskningslaboratorium i Cambridge, University of Surrey, Arizona State University och KAIST har nyligen presenterat alternativa beräkningsstrategier för att förhindra att föremål som greppas av en robothand glider. Strategierna fungerar genom att modulera de banor som robothanden följer när den utför manipulerande rörelser. Deras metod, som består av en robotstyrenhet och en ny bioinspirerad strategi för prediktiv banmodulering, presenterades i en artikel publicerad i Nature Machine Intelligence.
”Inspirationen till denna artikel kom från en mycket mänsklig upplevelse”, berättade Amir Ghalamzan, seniorförfattare till artikeln.
”När du bär ett ömtåligt eller halt föremål och känner att det börjar glida, trycker du inte bara hårdare. Istället justerar du subtilt dina rörelser – saktar ner, lutar eller flyttar handen – för att hålla fast det. Robotar har dock historiskt sett bara förlitat sig på att öka greppkraften för att förhindra att de glider, vilket inte alltid fungerar och till och med kan skada ömtåliga föremål. Vi ville undersöka om vi kunde träna robotar att bete sig mer som människor i dessa situationer.”
Källa: Nazari et al.
Huvudsyftet med den senaste studien av Ghalamzan och hans kollegor var att utveckla en styrenhet som kan förutsäga när ett föremål kan glida ur en robots grepp och justera sina rörelser därefter för att förhindra att det glider, på samma sätt som människor kan justera sina rörelser när de hanterar föremål. Den styrenhet de utvecklat bygger på en bioinspirerad strategi för banmodulering som kompletterar konventionella tekniker för att modulera kraften i en robots grepp, vilket möjliggör mer fingerfärdiga manipuleringsstrategier.
Figur som illustrerar den prediktiva kontrollarkitekturen hos människor baserad på de interna framåtmodeller som lärs in i lillhjärnan i den mänskliga hjärnan, som en designmotivation för vår föreslagna proaktiva styrenhet. Framåtmodellen förutsäger framtida sensoriska tillstånd baserat på det aktuella tillståndet och en kopia av potentiella motoriska kommandon (efference copy) för att möjliggöra prediktiva rörelser utan att förlita sig på fördröjd sensorisk feedback. Den interna representationen i lillhjärnan inlärs via neuronala kopplingar med sensoriska och motoriska cortex i hjärnbarken. Källa: Nazari et al.
”Vår metod efterliknar hur människor använder interna modeller för att interagera med omvärlden”, förklarar Ghalamzan. ”Precis som den mänskliga hjärnan kontinuerligt förutsäger resultatet av våra handlingar – till exempel om ett glas kan glida om vi rör oss för snabbt – har vi byggt en datadriven intern modell, eller ’världsmodell’, som gör det möjligt för en robot att förutsäga de framtida taktila sensationer den kommer att uppleva. Dessa förutsägelser används sedan för att upptäcka fall av glidning och justera rörelserna så att ingen glidning inträffar.”
Teamets styrenhet gör det möjligt för robotar att sakta ner, ändra riktning och anpassa sig till händernas position och orientering i realtid, istället för att helt enkelt trycka hårdare på föremål för att förhindra att de glider. Denna alternativa strategi för att säkra föremål genom att ändra robotens rörelser kan bidra till att minska risken för att ömtåliga föremål går sönder när en robot hanterar dem. Metoden med banmodulering fungerar även i fall där robotens greppkraft inte kan ändras, vilket möjliggör smidigare och smartare interaktioner med en rad olika föremål.
”Vår studie presenterar två viktiga genombrott”, säger Ghalamzan. ”Det första är en rörelsebaserad halningskontroll som är den första i sitt slag. Denna strategi kompletterar greppkraftsbaserad styrning och är särskilt värdefull när det inte är möjligt att öka greppkraften, till exempel vid ömtåliga föremål, våta eller hala ytor eller hårdvara som inte stöder dynamisk greppkontroll.
”Det andra är en prediktiv regulator som drivs av en inlärd taktil framåtmodell (dvs. världsmodell), som gör det möjligt för robotar att förutsäga glidning baserat på sina planerade åtgärder.”
Den nyutvecklade kontrollen användes för att planera rörelserna hos en robotgripdon och testades i dynamiska, ostrukturerade miljöer. Det visade sig att den i vissa fall förbättrade robotens greppstabilitet avsevärt och överträffade konventionella kontroller som enbart anpassar kraften i robotens grepp.
”Att integrera en sådan modell i en prediktiv kontrollslinga har traditionellt varit för beräkningskrävande”, säger Ghalamzan. ”Vår studie visar att det inte bara är genomförbart, utan också effektivt.”
Det senaste arbetet från denna forskargrupp kan bidra till utvecklingen av robotsystem, så att de på ett säkert sätt kan hantera olika fysiska och potentiellt även sociala interaktioner med hjälp av en världsmodell. Detta kan till exempel göra det möjligt för robotar att hantera olika föremål i en rad olika verkliga miljöer, inklusive hushåll, tillverkningsanläggningar och vårdinrättningar.
”Vi arbetar aktivt med att göra vår prediktiva styrenhet snabbare och effektivare, så att den kan användas i ännu mer krävande realtidsmiljöer”, tillägger Ghalamzan. ”Detta innefattar att utforska olika arkitektoniska och algoritmiska tekniker för att minska beräkningskostnaden.”
Som en del av sina nästa studier utökar forskarna också sitt system för att stödja mer avancerade och komplexa objektmanipuleringsuppgifter, inklusive hantering av deformerbara objekt eller föremål som måste manipuleras med två händer. På sikt planerar de också att kombinera sin metod med datorvisionsalgoritmer, vilket skulle göra det möjligt att planera robotars rörelser baserat på både taktil och visuell information.
”En annan viktig inriktning är att förbättra verifierbarheten och förklarbarheten hos dessa inlärda modeller”, tillägger Ghalamzan. ”I takt med att vi går mot mer intelligenta och autonoma system är det avgörande att människor kan förstå och lita på hur robotar fattar beslut. Vår långsiktiga vision är att utveckla prediktiva styrenheter som inte bara är effektiva utan också transparenta och säkra för användning i den verkliga världen.”
Mer information: Kiyanoush Nazari et al, Bioinspirerad banmodulering för effektiv glidkontroll vid robotmanipulation, Nature Machine Intelligence (2025). DOI: 10.1038/s42256-025-01062-2.
