De eerste week van juli 2025 stond in het teken van een belangrijke doorbraak in kunstmatige intelligentie en robotica, waarbij onderzoekers machines demonstreerden met ongekende vermogens om bewegingen te anticiperen en strategieën aan te passen in dynamische omgevingen.
Centraal in deze ontwikkeling staat ANYmal-D, een viervoetige robot ontwikkeld door ETH Zürich, die autonoom badminton kan spelen tegen menselijke tegenstanders. De robot maakt gebruik van een innovatief besturingssysteem op basis van reinforcement learning, waardoor hij shuttlebanen kan volgen, voorspellen en vakkundig kan retourneren. Dankzij zijn geavanceerde 'brein' is ANYmal-D in staat om de baan van de shuttle te volgen, het traject te anticiperen en snel over het veld te bewegen om de shuttle te onderscheppen en terug te slaan. Deze prestatie, beschreven in het tijdschrift Science Robotics, toont het potentieel aan van viervoetige robots voor dynamische taken die nauwkeurige waarneming en snelle, volledige lichaamsreacties vereisen.
De robot is uitgerust met een stereocamera voor visuele waarneming en een dynamische arm om een badmintonracket te hanteren, wat een precieze synchronisatie vereist van waarneming, voortbeweging en armbewgingen. Onderzoekers trainden het systeem met reinforcement learning, waardoor de robot effectieve strategieën kon ontwikkelen door te experimenteren en te interageren met zijn omgeving. In tests tegen menselijke spelers toonde ANYmal-D aan het veld effectief te kunnen bespelen, shuttles met verschillende snelheden en hoeken te retourneren en rally's van tot wel 10 opeenvolgende slagen vol te houden.
Deze doorbraak is meer dan een technologische curiositeit. De viervoetige robot gebruikt visie, sensordata en machine learning om bewegingen te anticiperen en zijn strategie aan te passen, en laat daarmee de toekomst zien van samenwerking tussen mens en robot in sport en training. Het project combineert fysieke robotica met geavanceerd AI-redeneren, en opent nieuwe mogelijkheden voor machines die naast mensen kunnen werken in complexe, onvoorspelbare omgevingen.
Robotici hebben grote doorbraken geboekt in de manier waarop robots leren en zich aanpassen. Een belangrijke vooruitgang is het combineren van verschillende soorten data om deze bruikbaar te maken voor robots. Zo kunnen onderzoekers data verzamelen van mensen die taken uitvoeren met sensoren, deze combineren met teleoperatiedata van mensen die robotarmen bedienen, en dit aanvullen met internetbeelden en -video's van mensen die soortgelijke handelingen uitvoeren. Door deze databronnen samen te voegen in nieuwe AI-modellen, krijgen robots een enorme voorsprong ten opzichte van robots die met traditionele methoden zijn getraind. Door meerdere manieren te zien om een taak uit te voeren, wordt het voor AI-modellen eenvoudiger om te improviseren en passende vervolgstappen te bepalen in echte situaties. Dit betekent een fundamentele verschuiving in hoe robots leren.
Dit is een belangrijk aspect van AI in de hedendaagse maakindustrie. Doorbraken in reinforcement learning stellen fysieke robots in staat om beslissingen te nemen en complexe fysieke taken uit te voeren, van het ophangen van t-shirts aan kleerhangers tot het maken van pizzadeeg. Deze samensmelting van generatieve AI en robots heeft de toepassingsmogelijkheden in het bedrijfsleven, de gezondheidszorg, het onderwijs en de entertainmentsector radicaal uitgebreid, en wijst op een toekomst waarin intelligente machines naadloos integreren in ons dagelijks leven.