Vierpotige robot kan zichzelf heel goed leren om mank te lopen

Deze robot met vier poten leert zichzelf lopen èn revalideren van een manke poot. Foto science Science

Zijn koosnaam is ‘de zeester’, maar dat is geen vlag die de lading dekt. Want waar een zeester vijf armen heeft, heeft deze robot vier poten. En als een daarvan afbreekt, dan groeit er niet, zoals bij een zeester, een nieuwe poot voor in de plaats. Wat de robot wèl kan, is effectief mank lopen: helemaal zelf zijn tred aanpassen aan het verlies van één van zijn onderpoten. En dat is nieuw, zo schrijven de bouwer van de robot, Josh Bongard van de Amerikaanse University of Vermont en zijn collega’s (Science, 17 november 2006).

De poten van hun robot bestaan elk uit twee geledingen: een onderpoot en een bovenpoot. Een ‘heupscharnier’ en een ‘kniescharnier’ zorgen ervoor dat de poten vervolgens kunnen draaien en buigen. Sensoren in elk van die scharnieren houden bij onder welke hoeken dat gebeurt. En het lijf torst ter ondersteuning van de bewegingen een kleine pc met een pentium 166 Mhz processor mee.

Verder was het een kwestie van oefenen, rekenen en vergelijken. Bij het oefenen richtte de robot zich op vanuit vlakke stand - met poten plat op de grond uitgestrekt als een zeester - en liep rond terwijl de sensoren informatie verzamelden. Bij het rekenen werden tred en houding berekend met behulp van verschillende bewegingsmodellen. En ten slotte werden de uitkomsten van die modellen vergeleken met de verzamelde gegevens. Dat gebeurde als de robot stilstond - ‘als hij droomde’, schrijft de Amerikaanse computerexpert Christoph Adami in een begeleidend commentaar.

In zestien cycli, waarin de bewegingen werden gevarieerd door bijvoorbeeld de poten wat hoger op te tillen of verder te strekken, en waarin modellen werden aangepast, kon uiteindelijk het beste beschrijvende model worden uitgekozen. Anders gezegd: de robot leerde lopen.

Dat model was daarna de basis voor een nieuwe set modellen waarin missende (onder)poten en haperende scharnieren werden nagebootst. Nam het team vervolgens een onderpoot weg, dan bleek de robot in een nieuwe cyclus van oefenen en vergelijken inderdaad een nieuw ‘beste’ model te vinden en zijn tred aan te passen.

Het werk is belangrijk voor toepassingen waarbij robots gevaarlijke omgevingen worden ingestuurd en beschadigingen kunnen oplopen. Maar dan moeten zulke robots eigenlijk ook over veranderingen in die omgeving en hun eigen reactie daarop gaan ‘dromen’, zo schrijft Adami.

Margriet van der Heijden