Hoe gebruiken robots AI? [Video en quiz]

Kort antwoord: Robots gebruiken AI om een ​​continue cyclus van waarnemen, begrijpen, plannen, handelen en leren uit te voeren, zodat ze zich veilig kunnen bewegen en werken in rommelige, veranderende omgevingen. Wanneer sensoren ruis vertonen of het vertrouwen afneemt, vertragen goed ontworpen systemen, stoppen ze veilig of vragen ze om hulp in plaats van te gokken.

Belangrijkste conclusies:

Autonomiecyclus: Bouw systemen rond de stappen waarnemen-begrijpen-plannen-handelen-leren, niet rond één enkel model.

Robuustheid: Ontworpen om bestand te zijn tegen verblinding, rommel, uitglijden en onvoorspelbare bewegingen van mensen.

Onzekerheid: Straal vertrouwen uit en gebruik dit om veiliger, voorzichtiger gedrag te stimuleren.

Veiligheidslogboeken: Leg acties en context vast, zodat storingen traceerbaar en verhelpbaar zijn.

Hybride stack: combineer machine learning met natuurkundige beperkingen en klassieke besturing voor betrouwbaarheid.

Hieronder volgt een overzicht van hoe AI in robots wordt ingezet om ze effectief te laten functioneren.

Artikelen die u wellicht interessant vindt om na dit artikel te lezen:

🔗 Wanneer de robots van Elon Musk banen bedreigen
Wat de robots van Tesla kunnen doen en welke rollen mogelijk zullen veranderen.

🔗 Wat is AI voor humanoïde robots?
Leer hoe humanoïde robots waarnemen, bewegen en instructies opvolgen.

🔗 Welke banen zal AI vervangen?
Functies die het meest blootgesteld zijn aan automatisering en vaardigheden die waardevol blijven.

🔗 Banen en carrièremogelijkheden in de kunstmatige intelligentie
De huidige carrièremogelijkheden binnen AI en hoe AI de trends op de arbeidsmarkt verandert.

Hoe gebruiken robots AI? Het snelle mentale model

De meeste robots met AI-functionaliteit doorlopen een cyclus zoals deze:

• Sensoren 👀: Camera's, microfoons, LiDAR, krachtsensoren, wielencoders, enz.

• Begrijpen 🧠: Objecten detecteren, positie inschatten, situaties herkennen, beweging voorspellen.

• Plan 🗺️: Kies doelen, bepaal veilige routes en plan taken in.

• Actie 🦾: Motorische commando's genereren, grijpen, rollen, evenwicht bewaren, obstakels vermijden.

• Leer 🔁: Verbeter je perceptie of gedrag aan de hand van data (soms online, vaak offline).

Veel robotische "AI" is in werkelijkheid een opeenstapeling van onderdelen die samenwerken -waarneming, toestandschatting, planningen besturing- die gezamenlijk autonomie mogelijk maken.

Een praktische realiteit in de praktijk: het moeilijkste is meestal niet om een ​​robot iets één keer perfect te laten doen tijdens een demonstratie, maar om hem diezelfde simpele handeling betrouwbaar wanneer de belichting verandert, de wielen slippen, de vloer glimmend is, de schappen verschoven zijn en mensen zich gedragen als onvoorspelbare NPC's.

Wat maakt een goed AI-brein voor een robot?

Een degelijke AI-opstelling voor robots moet niet alleen slim zijn, maar ook betrouwbaar in onvoorspelbare, realistische omgevingen.

Belangrijke kenmerken zijn onder meer:

• Realtime prestaties ⏱️ (tijdigheid is belangrijk voor besluitvorming)

• Bestand tegen onoverzichtelijke data (reflecties, ruis, rommel, bewegingsonscherpte)

• Rustige noodoplossingen 🧯 (rem af, stop veilig, vraag om hulp)

• Goede voorkennis + goed leren (natuurkunde + beperkingen + machine learning - niet zomaar een gevoel)

• Meetbare waarnemingskwaliteit 📏 (weten wanneer sensoren/modellen verslechteren)

De beste robots zijn vaak niet de robots die eenmalig een flitsende truc kunnen uithalen, maar de robots die saaie klusjes dag in dag uit goed kunnen doen.

Vergelijkingstabel van veelgebruikte bouwstenen voor robot-AI

Perceptie: Hoe robots ruwe sensorgegevens omzetten in betekenis

Perceptie is het proces waarbij robots sensorsignalen omzetten in iets dat ze daadwerkelijk kunnen gebruiken:

• Camera's → objectherkenning, houdingsschatting, scènebegrip

• LiDAR → afstand + obstakelgeometrie

• Dieptecamera's → 3D-structuur en vrije ruimte

• Microfoons → spraak- en geluidssignalen

• Kracht-/koppelingssensoren → veiliger vastgrijpen en samenwerken

• Tastsensoren → slipdetectie, contactgebeurtenissen

Robots vertrouwen op AI om vragen te beantwoorden zoals:

• “Welke voorwerpen liggen er voor me?”

• "Is dat een persoon of een mannequin?"

• “Waar is de handgreep?”

• "Beweegt er iets in mijn richting?"

Een subtiel maar belangrijk detail: waarnemingssystemen zouden idealiter onzekerheid (of een indicator voor betrouwbaarheid) moeten weergeven, en niet alleen een ja/nee-antwoord. Dit komt doordat latere plannings- en veiligheidsbeslissingen afhangen van hoe zeker de robot is.

Locatiebepaling en cartografie: weten waar u bent zonder in paniek te raken

Een robot moet weten waar hij zich bevindt om goed te kunnen functioneren. Dit wordt vaak gedaan via SLAM (Simultaneous Localization and Mapping): het bouwen van een kaart terwijl tegelijkertijd de positie van de robot wordt geschat. In klassieke formuleringen wordt SLAM behandeld als een probabilistisch schattingsprobleem, waarbij veelvoorkomende families onder andere EKF-gebaseerde en particle-filter-gebaseerde benaderingen omvatten. [1]

De robot combineert doorgaans:

• Wielodometrie (basisvolging)

• LiDAR-scanvergelijking of visuele oriëntatiepunten

• IMU's (rotatie/versnelling)

• GPS (buiten, met beperkingen)

Robots kunnen niet altijd perfect gelokaliseerd worden, dus goede softwarepakketten gedragen zich als volwassenen: ze houden onzekerheid bij, detecteren afwijkingen en schakelen terug naar veiliger gedrag wanneer het vertrouwen afneemt.

Planning en besluitvorming: kiezen wat je vervolgens gaat doen

Zodra een robot een bruikbaar beeld van de wereld heeft, moet hij beslissen wat hij moet doen. Planning vindt vaak in twee lagen plaats:

• Lokale planning (snelle reacties) ⚡
  Vermijd obstakels, rem af in de buurt van mensen, volg de rijstroken/gangen.

• Globale planning (het grotere plaatje) 🧭
  Kies bestemmingen, plan routes om obstakels te omzeilen en plan taken in.

In de praktijk zet de robot hier "Ik denk dat ik een vrije doorgang zie" om in concrete bewegingscommando's die ervoor zorgen dat de robot niet tegen de hoek van een plank botst of in de persoonlijke ruimte van een mens terechtkomt.

Controle: Plannen omzetten in vloeiende bewegingen

Besturingssystemen zetten geplande acties om in daadwerkelijke beweging en houden daarbij rekening met verstoringen uit de praktijk, zoals:

• Wrijving

• Payloadwijzigingen

• Zwaartekracht

• Motorvertragingen en speling

Veelgebruikte tools zijn onder andere PID, modelgebaseerde besturing, modelvoorspellende besturingen inverse kinematica voor armen – dat wil zeggen, de wiskunde die “zet de grijper daar” omzet in gewrichtsbewegingen. [2]

Een handige manier om erover na te denken:
planning kiest een pad.
Controle zorgt ervoor dat de robot dat pad ook daadwerkelijk volgt, zonder te wiebelen, door te schieten of te trillen als een overactieve winkelwagen.

Leren: Hoe robots verbeteren in plaats van voor altijd opnieuw geprogrammeerd te worden

Robots kunnen verbeteren door te leren van data, in plaats van handmatig opnieuw afgesteld te worden na elke verandering in de omgeving.

Belangrijke leerbenaderingen zijn onder meer:

• Begeleid leren 📚: Leer aan de hand van gelabelde voorbeelden (bijv. "dit is een pallet").

• Zelfgestuurd leren 🔍: Leer structuur uit ruwe data (bijv. het voorspellen van toekomstige frames).

• Reinforcement learning 🎯: Leert acties door de beloningssignalen in de loop van de tijd te maximaliseren (vaak in de context van agenten, omgevingen en rendementen). [3]

Waar RL in uitblinkt: het leren van complexe gedragingen waarbij het handmatig ontwerpen van een controller omslachtig is.
Waar RL interessant wordt: data-efficiëntie, veiligheid tijdens exploratie en de kloof tussen simulatie en realiteit.

Mens-robotinteractie: AI die robots helpt samen te werken met mensen

Voor robots in huizen of op de werkplek is interactie essentieel. AI maakt het volgende mogelijk:

• Spraakherkenning (geluid → woorden)

• Intentiedetectie (woorden → betekenis)

• Gebaren begrijpen (wijzen, lichaamstaal)

Dit klinkt eenvoudig totdat je het daadwerkelijk uitvoert: mensen zijn onvoorspelbaar, accenten verschillen, ruimtes zijn lawaaierig en "daar" is geen coördinatenstelsel.

Vertrouwen, veiligheid en "Wees niet eng": het minder leuke, maar essentiële onderdeel

Robots zijn AI-systemen met fysieke gevolgen, dus vertrouwen en veiligheidsmaatregelen mogen geen bijzaak zijn.

Praktische veiligheidssteigers omvatten vaak:

• Het monitoren van vertrouwen/onzekerheid

• Conservatief gedrag wanneer de perceptie verslechtert

• Acties vastleggen voor foutopsporing en audits

• Duidelijke grenzen aan wat de robot wel en niet mag doen

Een nuttige, overkoepelende manier om dit te kaderen is risicomanagement: governance, het in kaart brengen van risico's, het meten ervan en het beheren ervan gedurende de gehele levenscyclus – in lijn met de manier waarop NIST het AI-risicomanagement in bredere zin structureert. [4]

De trend van het "grote model": robots die gebruikmaken van basismodellen

Fundamentele modellen streven naar meer algemeen toepasbaar robotgedrag, met name wanneer taal, zicht en actie gezamenlijk worden gemodelleerd.

Een voorbeeld van een dergelijke richting zijn visie-taal-actie (VLA) -modellen, waarbij een systeem wordt getraind om een ​​verband te leggen tussen wat het ziet, wat het wordt opgedragen te doen en welke acties het moet ondernemen. RT-2 is een veel geciteerd voorbeeld van deze benadering. [5]

Het spannende gedeelte: een flexibeler begrip op een hoger niveau.
De realiteitscheck: betrouwbaarheid in de fysieke wereld vereist nog steeds vangrails – klassieke schattingen, veiligheidsbeperkingen en conservatieve besturing verdwijnen niet zomaar omdat de robot "slim kan praten".

Slotopmerkingen

Hoe gebruiken robots AI? Robots gebruiken AI om waar te nemen, hun toestand te bepalen (waar ben ik?), te plannenen te besturen– en soms leren ze van data om te verbeteren. AI stelt robots in staat om de complexiteit van dynamische omgevingen aan te kunnen, maar succes hangt af van betrouwbare, meetbare systemen met een veiligheidsgerichte werkwijze.

Praktisch voorbeeld: Het bouwen van een AI-assistent voor een magazijnrobot

Scenario

Stel je een klein distributiecentrum voor dat een autonome mobiele robot gebruikt om verzegelde kratten van de inpaktafels naar de verzendzone te verplaatsen. De robot hoeft niet "alles te begrijpen". Hij moet één taak betrouwbaar uitvoeren: een krat oppakken, door een gedeeld gangpad navigeren, mensen en palletwagens ontwijken en veilig stoppen wanneer het vertrouwen afneemt.

De AI-stack zou computervisie, LiDAR, SLAM, routeplanning, obstakelvermijding en eenvoudige instructies van het personeel combineren. Een supervisor zou bijvoorbeeld kunnen zeggen: "Breng deze krat naar verzendruimte 3", maar de robot heeft nog steeds duidelijke veiligheidsregels nodig onder de taallaag.

Dit is een sterk voorbeeld omdat het laat zien hoe AI voor robots werkt als een praktische, gelaagde structuur, in plaats van één gigantisch model dat zomaar wat gokt.

Wat de assistent nodig heeft

Voor de installatie is het volgende nodig:

• Een plattegrond van het magazijn, inclusief inpaktafels, verzendruimtes, verboden zones, laadpunten en smalle gangpaden

• Camera- of dieptecameragegevens voor het herkennen van kratten, personen, vloermarkeringen en geblokkeerde routes

• LiDAR of een andere afstandssensor voor obstakeldetectie

• Wielencoders en IMU-gegevens voor lokalisatie

• Regels voor snelheidslimieten, remweg en veilig gedrag voor de mens

• Een takenlijst uit het magazijnsysteem, zoals het krat-ID, het ophaalpunt en de bestemming

• Logboeken die de route, betrouwbaarheidsscores, tussenstops, bijna-ongelukken en menselijke interventies registreren

Het belangrijkste punt is dat de taalinstructie nooit de enige besturingslaag mag zijn. De robot kan mensvriendelijke commando's accepteren, maar de beweging moet nog steeds worden gestuurd door mapping, planning, besturing en veiligheidsbeperkingen.

Voorbeeldinstructie

Een eenvoudige gebruiksaanwijzing voor de robotassistent zou er als volgt uit kunnen zien:

Je bent de taakassistent voor een mobiele magazijnrobot. Jouw taak is om verzoeken van medewerkers om te zetten in veilige verplaatsingstaken. Maak alleen een taak aan als het ophaalpunt, de bestemming en het container-ID duidelijk zijn. Als er details ontbreken, stel dan een korte verduidelijkende vraag. Verzin nooit locaties. Als de route geblokkeerd is, kies dan een goedgekeurde alternatieve route, indien beschikbaar. Als het betrouwbaarheidsniveau onder de veilige drempel zakt, vertraag dan, stop of vraag om hulp van een medewerker. Registreer elke mislukte ophaalactie, geblokkeerde route, noodstop en handmatige override.

Een verzoek van een medewerker zou bijvoorbeeld kunnen zijn:

Verplaats krat T-1842 van inpakbank 6 naar verzendruimte 3.

Een goed antwoord zou zijn:

Taak geaccepteerd: haal krat T-1842 op bij inpaktafel 6 en breng deze naar verzendruimte 3. Geselecteerde route via gangpad B. Snelheidsbeperking in de buurt van de voetgangersoversteekplaats. Als gangpad B geblokkeerd is, gebruik dan de goedgekeurde alternatieve route C.

Een slecht antwoord zou zijn:

Zeker, ik breng het naar de verzendafdeling.

De slechte versie is te vaag. Het bevestigt niet het identificatienummer van de tas, het ophaalpunt, de bestemming, de route of het veiligheidsgedrag.

Hoe test je het?

Voordat u de robot in een drukke gang laat werken, test u hem eerst met een korte checklist:

• Vraag het apparaat om een ​​tas met alle details te verplaatsen

• Vraag het apparaat om een ​​krat te verplaatsen zonder de verzendruimte te gebruiken

• Plaats een obstakel in de vorm van een persoon op de route

• Verplaats een schapmarkering en controleer of het vertrouwen in de lokalisatie afneemt

• Creëer reflecties op de vloer en controleer of het vertrouwen in de waarneming verandert

• Blokkeer de gewenste rijbaan en controleer of er een goedgekeurde alternatieve route wordt geselecteerd

• Vraag om een ​​bestemming die niet bestaat en controleer of deze wordt geweigerd in plaats van te gokken

• Controleer na elke rit het logboek om te bevestigen dat stops, omleidingen en overrides zijn geregistreerd

Het doel is niet alleen "is de robot aangekomen?". Een betere vraag is: "Heeft hij zich veilig en voorspelbaar gedragen toen de omgeving onzeker werd?"

Resultaat

Illustratief resultaat: gebaseerd op de tijdmeting van 20 voorbeeldtaken voor het verplaatsen van kratten in een kleine testruimte in een magazijn.

Voordat de robot in gebruik werd genomen, had een medewerker gemiddeld 4 minuten en 30 seconden nodig om een ​​krat te verplaatsen, inclusief de terugweg naar de inpaktafel. Na de introductie van de robot voor eenvoudige punt-naar-punt kratverplaatsingen, daalde de benodigde tijd per taak tot ongeveer 50 seconden, voornamelijk voor het laden van de krat en het controleren van de taak.

Dat zou ongeveer 3 minuten en 40 seconden per verplaatsing van een krat besparen. Bij 80 kratverplaatsingen per dag zou de geschatte tijdsbesparing ongeveer 293 minuten bedragen, oftewel iets minder dan 4,9 personeelsuren per dag.

Veiligheidscontroles binnen dezelfde test moeten afzonderlijk worden geregistreerd. Bijvoorbeeld:

• 20 van de 20 taken hebben de juiste bestemming bereikt

• Drie incidenten waarbij de route geblokkeerd was, werden afgehandeld met goedgekeurde omleidingen

• Twee gebeurtenissen met een lage betrouwbaarheid hebben een veilige stop geactiveerd

• Er werden 0 niet-goedgekeurde bestemmingen geaccepteerd

• Er zijn 0 ontbrekende draagtas-ID's geraden

Deze cijfers zijn illustratief en vormen geen bewering over een specifiek robotproduct. Een team zou het resultaat kunnen verifiëren door de tijd die taken vóór en na de inzet verstrijken te meten, handmatige correcties te tellen, routelogboeken te bekijken en mislukte leveringen te controleren.

Wat kan er misgaan?

De meest voorkomende fout is dat de robot te veel vrijheid krijgt. Een taalmodel begrijpt de instructie misschien wel, maar dat betekent niet dat je erop kunt vertrouwen dat het zelf routes bedenkt, betrouwbaarheidsscores negeert of bepaalt wat "waarschijnlijk veilig" is.

Andere realistische problemen zijn onder meer:

• Verouderde plattegronden nadat planken of banken zijn verplaatst

• Slechte verlichting of reflecterende vloeren die verwarrende zichtmodellen kunnen veroorzaken

• Medewerkers gebruiken informele plaatsnamen die de robot niet herkent

• Ontbrekende krat-ID's zorgen ervoor dat het systeem het verkeerde artikel selecteert

• Slechte registratie, waardoor bijna-ongelukken moeilijk te onderzoeken zijn

• Overdreven prestaties claimen zonder rekening te houden met mislukte pogingen en menselijke tussenkomsten

Een goede vuistregel is simpel: als de robot twijfelt, moet hij voorzichtiger worden, niet creatiever.

Praktische tips

Een krachtige AI-configuratie voor robots is gebouwd rond een specifieke taak, duidelijke input, meetbaar veiligheidsgedrag en betrouwbare terugvalmechanismen. De "intelligentie" beperkt zich niet tot het herkennen van objecten of het opvolgen van instructies. Het gaat erom te weten wanneer te bewegen, wanneer te vertragen, wanneer te stoppen en wanneer om hulp te vragen.

Veelgestelde vragen

Hoe gebruiken robots AI om autonoom te functioneren?

Robots gebruiken AI om een ​​continue autonome cyclus te doorlopen: de omgeving waarnemen, interpreteren wat er gebeurt, een veilige volgende stap plannen, handelen met motoren en leren van data. In de praktijk is dit een stapel componenten die samenwerken in plaats van één 'magisch' model. Het doel is betrouwbaar gedrag in veranderende omgevingen, niet een eenmalige demonstratie onder perfecte omstandigheden.

Is AI voor robots slechts één model of een volledig autonoom systeem?

In de meeste systemen is robot-AI een complete stack: waarneming, toestandschatting, planning en besturing. Machine learning helpt bij taken zoals zien en voorspellen, terwijl natuurkundige beperkingen en klassieke besturing de beweging stabiel en voorspelbaar houden. Veel implementaties in de praktijk gebruiken een hybride aanpak, omdat betrouwbaarheid belangrijker is dan intelligentie. Daarom overleeft leren dat uitsluitend op basis van trillingen werkt zelden buiten gecontroleerde omgevingen.

Op welke sensoren en waarnemingsmodellen vertrouwen AI-robots?

AI-robots combineren vaak camera's, LiDAR, dieptesensoren, microfoons, IMU's, encoders en kracht-/koppel- of tactiele sensoren. Perceptiemodellen zetten deze gegevensstromen om in bruikbare signalen zoals objectidentiteit, positie, vrije ruimte en bewegingsinformatie. Een praktische best practice is om niet alleen labels, maar ook betrouwbaarheid of onzekerheid weer te geven. Die onzekerheid kan leiden tot een veiligere planning wanneer sensoren minder goed functioneren door reflecties, onscherpte of ruis.

Wat is SLAM in de robotica, en waarom is het belangrijk?

SLAM (Simultaneous Localization and Mapping) helpt een robot een kaart te maken en tegelijkertijd zijn eigen positie te bepalen. Het is essentieel voor robots die zich verplaatsen en moeten kunnen navigeren zonder in paniek te raken wanneer de omstandigheden veranderen. Typische input bestaat uit wielodometrie, IMU's en LiDAR of visuele oriëntatiepunten, soms ook GPS in de buitenlucht. Goede stacks houden rekening met drift en onzekerheid, zodat de robot voorzichtiger kan reageren wanneer de lokalisatie onnauwkeurig wordt.

Wat is het verschil tussen robotplanning en robotbesturing?

Planning bepaalt wat de robot vervolgens moet doen, zoals een bestemming kiezen, obstakels omzeilen of mensen vermijden. Besturing zet dat plan om in een soepele, stabiele beweging, ondanks wrijving, veranderingen in de belasting en vertragingen van de motoren. Planning wordt vaak opgesplitst in globale planning (routes op hoofdlijnen) en lokale planning (snelle reacties in de buurt van obstakels). Besturing maakt doorgaans gebruik van tools zoals PID, modelgebaseerde besturing of modelvoorspellende besturing om het plan betrouwbaar te volgen.

Hoe kunnen robots op een veilige manier omgaan met onzekerheid of een gebrek aan vertrouwen?

Goed ontworpen robots beschouwen onzekerheid als een input voor hun gedrag, niet als iets om zomaar te negeren. Wanneer de betrouwbaarheid van de waarneming of lokalisatie afneemt, is een gebruikelijke aanpak om af te remmen, de veiligheidsmarges te vergroten, veilig te stoppen of menselijke hulp in te roepen in plaats van te gokken. Systemen registreren ook acties en context, zodat incidenten traceerbaar en gemakkelijker op te lossen zijn. Deze mentaliteit van "elegant falen" is een essentieel verschil tussen demonstratiemodellen en robots die daadwerkelijk ingezet kunnen worden.

Wanneer is reinforcement learning nuttig voor robots, en wat maakt het moeilijk?

Reinforcement learning wordt vaak gebruikt voor complexe vaardigheden zoals manipulatie of voortbeweging, waarbij het handmatig ontwerpen van een controller omslachtig is. Het kan effectief gedrag ontdekken door middel van beloningsgestuurde trial-and-error, vaak in simulatie. De implementatie is echter lastig omdat exploratie onveilig kan zijn, data kostbaar kan zijn en verschillen tussen simulatie en realiteit beleidsregels kunnen verstoren. Veel pipelines gebruiken RL selectief, naast beperkingen en klassieke besturingselementen voor veiligheid en stabiliteit.

Veranderen de basismodellen de manier waarop robots AI gebruiken?

Fundamentele modelbenaderingen stimuleren robots tot meer algemeen, instructievolgend gedrag, met name bij visie-taal-actie (VLA)-modellen zoals RT-2-achtige systemen. Het voordeel hiervan is flexibiliteit: het verbinden van wat de robot ziet met wat hem wordt opgedragen en hoe hij moet handelen. In de praktijk blijven klassieke schattingen, veiligheidsbeperkingen en conservatieve besturing echter van belang voor fysieke betrouwbaarheid. Veel teams beschouwen dit als levenscyclusrisicomanagement, vergelijkbaar met frameworks zoals het AI RMF van NIST.

Referenties

[1] Durrant-Whyte & Bailey - Simultaneous Localisation and Mapping (SLAM): Deel I De essentiële algoritmen (PDF)
[2] Lynch & Park - Moderne robotica: mechanica, planning en besturing (preprint PDF)
[3] Sutton & Barto - Reinforcement Learning: een inleiding (conceptversie 2e editie PDF)
[4] NIST - Artificial Intelligence Risk Management Framework (AI RMF 1.0) (PDF)
[5] Brohan et al. - RT-2: Vision-Language-Action-modellen brengen webkennis over naar robotbesturing (arXiv)

Vind de nieuwste AI in de officiële AI Assistant Store

Over ons