Achtergrond
De robot op ontdekkingsreis
14 februari 2011
Robots kunnen steeds beter overweg met bekende situaties door de inputs van sensoren te combineren. In een nieuwe omgeving zijn ze echter hulpeloos en moeten aan de hand van een menselijke begeleider worden getraind. Binnen het Europese Replicator-project wordt een leermechanisme ontwikkeld waarmee robots ook in dat geval uit de voeten kunnen.
Sensorfusie is in de robotica de afgelopen jaren het toverwoord geweest voor het begrijpen van de omgeving. De computer combineert de inputs van verschillende sensoren en schat met welke bekende situatie de waarden het meeste overeenkomen. Het meest sprekende succesverhaal is de Grand Challenge van het Amerikaanse defensieagentschap Darpa voor grensverleggende technologie. Sensorfusie bleek de gouden greep om auto’s zelfstandig te laten navigeren. Eerst in de woestijn, later op een stedelijke testbaan. En afgelopen november liet Google weten dat het negen auto’s zelf aan het verkeer had laten deelnemen - de menselijke begeleider moest in honderdduizenden kilometers slechts een paar keer ingrijpen.
Toch valt er nog veel te verbeteren op dit gebied. ‘In een speedboot zouden de computers van de auto’s het niet meer snappen’, vertelt Anne van Rossum, onderzoeker bij het Rotterdamse bedrijf Almende. ‘Je moet van tevoren alles defini・en, bijvoorbeeld wat een weg is. Je moet van tevoren met die auto’s rondrijden om te leren hoe dat soort dingen eruitziet.’
Als het aan Van Rossum en zijn collega’s ligt, kunnen robots straks leren om te gaan met een volledig onbekende omgeving, via een aanpak die ze cognitieve sensorfusie noemen. Het onderzoek is onderdeel van het Europese Replicator-project. Samen met het zusterproject Symbrion is het nu 2,5 jaar op weg, precies halverwege. De twee projecten draaien om zelfstandige herconfigureerbare robotjes; tientallen kleine kubusrobotjes die zelfstandig kunnen bewegen, maar ook aan elkaar kunnen klikken om zo in bijvoorbeeld slang-, spin- of wielformatie een taak op te lossen. Het lerende heeft vooral betrekking op het zelfstandige aspect. Ze krijgen niks voorgekauwd, alles moeten ze via oefening aanleren. Daardoor kunnen ze ook in een onbekende omgeving ‘overleven’ en hun weg vinden. Ten minste, na een tijdje.
Dat overleven gaat veel verder dan navigatie. Bij de laatste proef met gesimuleerde botjes moesten die ook op tijd op zoek naar het stopcontact om op te laden. ‘We gooien honderd robots in een hok en dan moeten ze zonder menselijke interventie honderd dagen overleven. Er zitten in de kamer stopcontacten die af en toe stroom kunnen leveren, maar dat hoeft niet altijd. De robots moeten ook leren om makkers die te langzaam zijn te heropladen. En door de stopcontacten op verschillende hoogten te plaatsen, moeten ze soms op elkaar klimmen en samenwerken.’ De robots leven virtueel in een simulator, die het geluid en beeld berekent en deze aan de virtuele sensoren van de robots voert.
De twee projecten kennen veel deelvragen, onder meer rond hardware, zwermintelligentie en gedistribueerd rekenen. Het einddoel is dan ook nog lang niet in zicht. De hardware is bijvoorbeeld nog volop in ontwikkeling en het samenwerken staat nog in de kinderschoenen. Maar de eerste resultaten met cognitief leren in de simulator zijn er al wel.
Overlevingsgedrag
Aan de basis van de aanpak ligt een neuraal netwerk dat een associatief geheugen vormt. Dat wil zeggen dat het bepaalde inputs aan elkaar kan koppelen, zodat er clusters ontstaan van impulsen die vaak tegelijk optreden. ‘De robot hoort bijvoorbeeld een bepaald geluid en ziet tegelijkertijd een kubusje - een andere robot. Als hij dat maar vaak genoeg op dezelfde manier meemaakt, dan koppelt hij dat kubusje aan dat geluid’, vertelt Van Rossum. Op dezelfde manier kan een wit vlakje worden geassocieerd met de beschikbaarheid van energie - een stopcontact. Dit netwerk is gebaseerd op de adaptive resonance theory, een model over hoe de hersenen informatie verwerken, of liever gezegd, hoe ze dat zouden kunnen doen. Het ingenieuze is dat het neurale netwerk er geen weet van heeft welke inputs het gevoerd krijgt. Het enige dat het doet, is leren impulsen te combineren. Voor het vertalen van de sensorgegevens naar impulsen is er daarom een extra stap nodig, waarin de features uit het signaal worden gevist. Bij een camerabeeld gaat het dan om de lijnen en de gekleurde vlakken. Uit akoestische informatie zijn er op vergelijkbare manier features te extraheren.
Uiteindelijk moeten fysieke robotjes leren aan de hand van hun sensorgegevens een gedrag op te bouwen in een vreemde omgeving. Voorlopig gebeurt dit nog in de simulator. De hardware is nog volop in ontwikkeling. Copyright: Replicator/Symbrion-consortium.
Het overlevingsgedrag wordt compleet - is de gedachte ten minste - door er ook nog de factor ‘aandacht’ in te bouwen. ‘Niet alles is even belangrijk’, legt Van Rossum uit. Dus om effici・t om te gaan met de computerkracht moet de robot het liefst alleen zijn aandacht richten op de relevante features. Dat is gedeeltelijk afhankelijk van de taak of de interne toestand. Als de batterij leegraakt, moet de aandacht verschuiven naar het vinden van een stopcontact. Of liever gezegd: naar de features die geassocieerd zijn met energie opladen.
Deze aandachtsfactor is wat de sensorfusie ‘cognitief’ maakt. ‘Er zijn nog meer eigenschappen, zoals anticipatie en een paar die niet aan bod komen in dit project, zoals het modelleren van menselijke intelligentie’, vertelt Van Rossum.
Microfoon
Volgens Van Rossum zijn de meeste componenten van het systeem al bekend, zoals het type neuraal netwerk en de feature-analyses. Nieuw is echter de combinatie ervan in een online systeem. ‘Adaptive resonance theory is een type neuraal netwerk dat neuronen erbij groeit, dat is vrij zeldzaam. Dat is al in 1978 ontwikkeld. Het model gebruikt ook een vigilance-parameter. Als een robot door de omgeving gaat, maakt hij elke keer als hij iets nieuws ziet een nieuw cluster. Maar als je met een te hoge granulariteit kijkt, is alles nieuw. Met die vigilance-parameter kun je bijstellen hoeveel het ene concept mag lijken op het volgende om nog als hetzelfde beschouwd te worden’, legt Van Rossum.
Een bijzondere eigenschap van deze aanpak is ook dat het systeem gemaakte associaties weer kan verbreken als ze fout blijken te zijn. ‘Stel een robot ziet een stopcontact en hoort tegelijkertijd een robotgeluid omdat er toevallig een robotje achterlangs voorbijrijdt. Dan ontstaat er een associatie. Echter hij gaat door in die omgeving en ziet en hoort op een gegeven moment een echte robot. Dan is hij in staat om dat eerste cluster weer te disassoci・en’, geeft Van Rossum als voorbeeld. ‘Een normaal neuraal netwerk lijdt aan catastrophic forgetting, dus je krijgt telkens nieuwe informatie en vergeet het oude. Adaptive resonance theory kan daar beter mee omgaan. Maar het wordt weinig gebruikt en daarom weten mensen eigenlijk niet dat dat kan.’
In de simulator is het ondertussen gelukt om de individuele robots de relevante objecten te laten herkennen. ‘Ik vond het heel verrassend dat we daartoe al in staat waren’, vertelt Van Rossum. ‘Ze kunnen andere robots en stopcontacten clusteren. Nu is de uitdaging om te bepalen wat er belangrijk is om te leren en de rest uitzetten. Je kunt bijvoorbeeld ontdekken dat de microfoon niet zo’n grote rol speelt en die uitzetten. Maar dan kom je er nooit meer achter dat die ineens wel van belang kan zijn.’
