Gepubliceerd op: 12 maart 2025 / Bijgewerkt op: 12 maart 2025 – Auteur: Konrad Wolfenstein
Onderzoekers Sepehr Samavi en prof. Angela Schoellig naast robot Jack – Foto: Astrid Eckert, München
Baanbrekend werk in de robotica: TUM ontwikkelt voorspellende robot
Autonome systemen: Hoe robots leren om met mensen te communiceren
In een wereld die zich snel ontwikkelt richting automatisering en kunstmatige intelligentie, worden autonome systemen een steeds belangrijker onderdeel van ons dagelijks leven. Van zelfrijdende auto's en intelligente assistentierobots tot geavanceerde industriële installaties: het vermogen van machines om zelfstandig beslissingen te nemen en te functioneren in complexe omgevingen verandert talloze aspecten van ons leven. Een bijzonder boeiende en uitdagende discipline binnen de robotica is de ontwikkeling van systemen die zich veilig en efficiënt kunnen bewegen in dynamische, door mensen bewoonde omgevingen. Dit houdt niet alleen in dat obstakels vermeden moeten worden, maar ook dat menselijk gedrag begrepen, voorspeld en erop gereageerd moet worden om een soepele en veilige interactie te garanderen.
Onderzoekers van de gerenommeerde Technische Universiteit München (TUM) werken intensief aan precies dit snijvlak van robotica, kunstmatige intelligentie en menselijk gedrag. In hun Learning Systems and Robotics Lab, onder leiding van professor Angela Schoellig, hebben ze een innovatieve robot ontwikkeld genaamd "Jack", die in staat is om met opmerkelijke vaardigheid en vooruitziendheid door menigten te navigeren. Wat Jack onderscheidt van veel andere robots, is zijn vermogen om niet alleen zijn directe omgeving waar te nemen, maar ook actief te anticiperen op hoe mensen in zijn nabijheid zich zullen bewegen en hoe zij mogelijk zullen reageren op zijn eigen bewegingen. Dit anticiperende denken stelt Jack in staat om zijn route door drukke ruimtes niet alleen reactief, maar ook proactief en intelligent te plannen.
Geschikt hiervoor:
De uitdaging van het navigeren in drukke menigten
Het navigeren door menigten vormt een enorme uitdaging voor robots, een uitdaging die veel verder gaat dan alleen het ontwijken van obstakels. In tegenstelling tot statische of voorspelbare omgevingen zijn menigten dynamisch, onvoorspelbaar en gekenmerkt door complexe sociale interacties. Iedere persoon in een menigte beweegt individueel, maar beïnvloedt tegelijkertijd de bewegingen van anderen. Deze onderlinge afhankelijkheid, gecombineerd met de natuurlijke variabiliteit van menselijk gedrag, maakt het voor robots extreem moeilijk om zich veilig en efficiënt te bewegen.
Traditionele robotnavigatiealgoritmes, vaak gebaseerd op rigide regels en eenvoudige sensorgegevens, bereiken in dergelijke omgevingen snel hun grenzen. Ze reageren doorgaans op obstakels door abrupt te stoppen of uit te wijken, wat kan leiden tot ongewenste opstoppingen, inefficiënte routes of zelfs gevaarlijke situaties in een menigte. Om succesvol te navigeren in menigten hebben robots daarom een aanzienlijk geavanceerdere vorm van intelligentie nodig waarmee ze menselijk gedrag kunnen begrijpen en voorspellen en dit actief kunnen integreren in hun navigatieplanning.
Jacks innovatieve aanpak: vooruitdenken en interactie
De robot Jack, ontwikkeld door onderzoekers van de Technische Universiteit München (TUM), zet een cruciale stap verder dan traditionele benaderingen. De kern van de robot is een geavanceerd algoritme waarmee hij niet alleen de bewegingen van mensen in zijn omgeving kan waarnemen, maar deze ook actief kan voorspellen en in zijn eigen routeplanning kan verwerken. Professor Schoellig benadrukt het fundamentele verschil met conventionele methoden: "Onze robot modelleert hoe mensen op zijn bewegingen zullen reageren om zo zijn eigen routes te plannen. Dit is het belangrijkste verschil met andere benaderingen die deze interactie doorgaans negeren."
Dit vermogen om interacties te modelleren is cruciaal voor Jacks succes. In plaats van mensen louter als onvoorspelbare obstakels te beschouwen, ziet Jack ze als intelligente wezens wier gedrag hij gedeeltelijk kan voorspellen en zelfs beïnvloeden. Hierdoor kan hij zich door menigten bewegen op een manier die sterk lijkt op menselijke navigatie. Hij aarzelt niet om in openingen te springen, anticipeert op de bewegingen van voetgangers en past zijn route dynamisch aan om botsingen te vermijden en tegelijkertijd efficiënt zijn bestemming te bereiken.
Sensoren en rekenkracht in combinatie
Om deze veeleisende taak te volbrengen, is Jack uitgerust met zeer geavanceerde sensoren en rekenkracht. Een belangrijk onderdeel is een lidar-sensor (light detection and ranging), die continu laserstralen in de omgeving uitzendt en de gereflecteerde signalen opvangt. Aan de hand van deze gegevens creëert de lidar in realtime een nauwkeurige 360-gradenkaart van de omgeving, waarbij niet alleen statische objecten, maar vooral ook de positie en beweging van mensen worden vastgelegd. De lidar voorziet de robot zo van een gedetailleerd "beeld" van zijn omgeving, wat de basis vormt voor zijn navigatiebeslissingen.
Naast lidar heeft Jack sensoren in zijn wielen die nauwkeurig zijn snelheid en afgelegde afstand meten. Deze informatie is cruciaal voor het nauwkeurig bepalen van zijn positie in de omgeving en het optimaliseren van de navigatie-efficiëntie. Alle sensorgegevens worden verwerkt door een krachtige ingebouwde computer die complexe algoritmen in realtime kan uitvoeren. Deze computer is Jacks "brein", verantwoordelijk voor het analyseren van sensorgegevens, het voorspellen van menselijke bewegingen en het berekenen van de optimale route.
Geschikt hiervoor:
Het algoritme in detail: voorspelling, planning en aanpassing
De intelligentie van Jack is gebaseerd op het navigatiealgoritme dat is ontwikkeld door onderzoekers van de Technische Universiteit München (TUM). Dit algoritme werkt in verschillende stappen om Jack in staat te stellen veilig en efficiënt door menigten te navigeren.
1. Waarneming en gegevensverzameling
Ten eerste verzamelt Jack continu gegevens over zijn omgeving met behulp van zijn sensoren. De lidar geeft informatie over de positie en beweging van mensen, terwijl de wielsensoren gegevens leveren over de beweging van de robot zelf.
2. Het voorspellen van menselijke bewegingen
Op basis van de verzamelde gegevens analyseert het algoritme de bewegingspatronen van mensen in de omgeving. Het probeert de waarschijnlijke routes te voorspellen die mensen de komende seconden zullen afleggen. Deze voorspelling is gebaseerd op statistische modellen die zijn getraind met behulp van uitgebreide datasets over menselijk bewegingsgedrag in menigten.
3. Routeplanning
Tegelijkertijd plant het algoritme de optimale route naar de bestemming van de robot. Daarbij houdt het niet alleen rekening met de voorspelde bewegingen van mensen, maar ook met de mogelijkheden en beperkingen van de robot zelf, zoals snelheid en wendbaarheid. Het doel is om een route te vinden die zo snel en efficiënt mogelijk naar de bestemming leidt, zonder het risico op botsingen met mensen.
4. Dynamische aanpassing
Een belangrijk aspect van het algoritme is het vermogen om zich dynamisch aan te passen. Het volledige proces van dataverzameling, voorspelling en routeplanning wordt continu ongeveer tien keer per seconde herhaald. Hierdoor kan Jack zijn route in realtime aanpassen aan de constant veranderende omgeving. Deze hoge aanpassingsfrequentie is essentieel voor veilig en efficiënt navigeren in een dynamische omgeving met veel mensen, omdat de robot tegelijkertijd de bewegingen van mensen herkent en erop reageert, zoals TUM-onderzoeker Sepehr Samavi uitlegt.
Leren van menselijk gedrag: de sleutel tot mensachtige navigatie
Een ander cruciaal aspect van Jacks intelligentie is zijn vermogen om te leren van menselijk gedrag. De onderzoekers van de TUM programmeerden Jack niet simpelweg met rigide regels en algoritmes, maar gaven hem in plaats daarvan de mogelijkheid om zich continu te verbeteren door data over menselijk bewegingsgedrag te analyseren.
Professor Schoellig legt uit dat het wiskundige model waarop het planningsalgoritme is gebaseerd, is afgeleid van menselijke bewegingen en vertaald in vergelijkingen. Het algoritme is dus niet gebaseerd op abstracte aannames over menselijk gedrag, maar direct op echte gegevens die de bewegingen van menigten documenteren. Om dit mogelijk te maken, verzamelden de onderzoekers uitgebreide datasets die menselijk gedrag in verschillende situaties en omgevingen beschrijven. Deze datasets dienen als trainingsmateriaal voor Jack.
Door deze gegevens te analyseren, leert Jack typische menselijke bewegingspatronen te herkennen en te voorspellen, en deze in zijn eigen beslissingen te verwerken. Hij leert bijvoorbeeld dat mensen meestal uitwijken wanneer ze een obstakel naderen of hun snelheid aanpassen om een botsing te voorkomen. Deze kennis wordt in het algoritme ingevoerd, waardoor Jack zich gedraagt op een manier die lijkt op het intuïtieve gedrag van mensen in menigten.
Een concreet voorbeeld van dit leerproces is Jacks reactie op mogelijke botsingen. Een traditionele robot zou doorgaans onmiddellijk stoppen bij het detecteren van een obstakel, zoals een persoon, dat op ramkoers ligt. Jack, die heeft geleerd van menselijk gedrag, reageert echter subtieler. Hij anticipeert erop dat mensen zich meestal aanpassen en uitwijken om een botsing te vermijden. Daarom stopt hij niet onmiddellijk, maar vervolgt hij zijn beweging terwijl hij tegelijkertijd de reactie van de persoon observeert. Pas als er aanwijzingen zijn dat de persoon niet zal uitwijken, past Jack zijn plannen aan en kiest hij een alternatieve route. Dit gedrag is aanzienlijk efficiënter en menselijker dan de abrupte stop van een traditionele robot.
Evolutionaire ontwikkeling: van reactief naar interactief
De ontwikkeling van Jacks navigatievaardigheden was een evolutionair proces dat zich in drie fasen voltrok. Elke fase vertegenwoordigt een vooruitgang in de complexiteit en intelligentie van het algoritme.
Niveau 1: Reactieve navigatie.
In de eerste fase reageerde Jack louter op zijn omgeving. Hij vermeed obstakels zodra hij ze waarnam, zonder menselijk gedrag te voorspellen of te anticiperen. Hoewel functioneel, was deze fase inefficiënt en leidde vaak tot abrupte stops en omwegen.
Niveau 2: Voorspellende navigatie.
In de tweede fase werd het algoritme uitgebreid om de beweging van naderende mensen te voorspellen. Hierdoor kon Jack proactiever navigeren en botsingen vermijden voordat ze dreigden. Deze fase betekende al een aanzienlijke vooruitgang, maar was nog steeds beperkt, omdat de interactie tussen robot en mens grotendeels werd genegeerd.
Niveau 3: Interactieve navigatie.
De huidige versie van Jack vertegenwoordigt de derde en meest geavanceerde evolutiefase tot nu toe: interactieve navigatie. In deze fase kan Jack niet alleen de bewegingen van mensen voorspellen, maar ook actief rekening houden met hoe mensen op zijn eigen bewegingen zullen reageren. Hij kan het gedrag van mensen beïnvloeden door zijn eigen acties en tegelijkertijd botsingen vermijden. Deze interactieve mogelijkheid is de cruciale doorbraak die van Jack een werkelijk intelligent en mensachtig navigatiesysteem maakt.
Onderzoeker Samavi legt uit dat Jack de bewegingen van andere mensen kan voorspellen en tegelijkertijd hun gedrag kan beïnvloeden, terwijl hij botsingen vermijdt. Deze vorm van interactieve navigatie stelt Jack in staat om zich veilig, efficiënt, sociaal aanvaardbaar en intuïtief door menigten te bewegen.
Toepassingsgebieden: van bezorgrobots tot autonoom rijden
De innovatieve technologie achter Jack heeft een enorm potentieel voor een breed scala aan toepassingen. Hoewel Jack aanvankelijk als onderzoeksplatform is ontwikkeld, overwegen onderzoekers van de Technische Universiteit München (TUM) nu al concrete toepassingen in de praktijk.
Bezorgrobot
Een voor de hand liggende toepassing zijn bezorgrobots die autonoom goederen en pakketten kunnen bezorgen in stedelijke omgevingen. Deze robots moeten zich veilig en efficiënt kunnen bewegen op trottoirs, in voetgangerszones en in drukke stadscentra. Jacks vermogen om zich door menigten te bewegen is hiervoor cruciaal. In de toekomst zouden autonome bezorgrobots een belangrijke bijdrage kunnen leveren aan het oplossen van "laatste kilometer"-problemen in de logistiek en het verminderen van verkeersopstoppingen in steden.
Geschikt hiervoor:
rolstoelen
Een andere veelbelovende toepassing is de integratie van de technologie in slimme rolstoelen. Voor mensen met een mobiliteitsbeperking kan het navigeren in drukke omgevingen een grote uitdaging zijn. Een rolstoel uitgerust met Jacks navigatiealgoritme zou hun zelfstandigheid en levenskwaliteit aanzienlijk kunnen verbeteren. De rolstoel zou automatisch obstakels kunnen vermijden, zich veilig door menigten kunnen bewegen en de gebruiker autonoom naar de gewenste bestemming kunnen vervoeren.
Autonoom rijden
Professor Schoellig beschouwt autonoom rijden als een bijzonder relevant toepassingsgebied voor interactieve navigatietechnologie. Ze benadrukt dat deze interactieve scenario's een belangrijke uitdaging vormen. In complexe verkeerssituaties, zoals invoegen op snelwegen, afslaan op kruispunten of interactie met voetgangers en fietsers, is het essentieel om niet alleen de eigen bewegingen te plannen, maar ook om te anticiperen op het gedrag van andere weggebruikers en dit in de planning te integreren. Het vermogen van de technologie om interactieve navigatie te bieden, kan zo een belangrijke bijdrage leveren aan de ontwikkeling van veiligere en efficiëntere autonome voertuigen. Ze noemt invoegen op een snelweg als voorbeeld: wanneer een voertuig zich op de invoegstrook van een snelwegoprit bevindt, wisselen veel achteropkomende bestuurders van rijstrook of remmen ze lichtjes. Juist in dergelijke situaties maakt de nieuwe aanpak het mogelijk om op de juiste manier rekening te houden met de reacties van andere weggebruikers.
Mensachtige robots
Humanoïde robots zouden met name baat kunnen hebben bij deze algoritmes, vooral in sectoren zoals de zorg, dienstverlening en productie, waar ze nauw samenwerken met mensen. Om geaccepteerd en effectief gebruikt te worden, is het essentieel dat ze veilig en intuïtief kunnen navigeren in menselijke omgevingen. Professor Schoellig wijst echter op een belangrijke uitdaging: terwijl een mobiele robot eenvoudig kan stoppen wanneer dat nodig is, zijn humanoïde robots momenteel nogal instabiel en verliezen ze snel hun evenwicht. Het verbeteren van de stabiliteit van humanoïde robots in dynamische omgevingen is een belangrijk onderzoeksgebied dat verder ontwikkeld moet worden om het volledige potentieel van interactieve navigatie voor humanoïde robots te ontsluiten.
Geavanceerde robotnavigatie: Hoe Jack menselijk gedrag begrijpt
Het onderzoek van de Technische Universiteit München (TUM) op het gebied van interactieve robotnavigatie is een belangrijke stap voorwaarts richting intelligente en autonome systemen die veilig en efficiënt kunnen functioneren in menselijke omgevingen. De robot Jack laat op indrukwekkende wijze zien dat het mogelijk is machines te ontwikkelen die niet alleen hun omgeving kunnen waarnemen, maar ook menselijk gedrag kunnen begrijpen en voorspellen, en dit kunnen integreren in hun besluitvorming. Dit vermogen tot interactieve navigatie opent nieuwe mogelijkheden voor een breed scala aan toepassingen, van bezorgrobots en slimme rolstoelen tot autonoom rijden.
De ontwikkeling van Jack is echter nog maar het begin. Onderzoek naar robotica en kunstmatige intelligentie vordert snel en we kunnen de komende jaren en decennia nog meer spannende innovaties verwachten. De integratie van robots in ons dagelijks leven zal steeds gebruikelijker worden en autonome systemen zullen een steeds belangrijkere rol in onze samenleving spelen. Het is daarom cruciaal dat we de ontwikkeling van deze technologieën op een verantwoorde manier vormgeven en vanaf het begin rekening houden met de ethische en maatschappelijke aspecten. Alleen zo kunnen we ervoor zorgen dat robots en mensen in de toekomst samenwerken ten behoeve van iedereen.
Geschikt hiervoor:
Uw wereldwijde partner voor marketing en bedrijfsontwikkeling
☑️ onze zakelijke taal is Engels of Duits
☑️ Nieuw: correspondentie in uw nationale taal!
Konrad Wolfenstein
Ik ben blij dat ik beschikbaar ben voor jou en mijn team als een persoonlijk consultant.
U kunt contact met mij opnemen door het contactformulier hier in te vullen of u gewoon te bellen op +49 89 674 804 (München) . Mijn e -mailadres is: Wolfenstein ∂ Xpert.Digital
Ik kijk uit naar ons gezamenlijke project.
