Welke uitdagingen moeten nog overwonnen worden voor humanoids werken

Humanoid robots zijn overal in het nieuws. Ze stalen de show op de meeste bekeken nieuwjaarshow op de Chinese staatszender CCTV. Miljarden dollars stromen naar startups die beloven dat mensachtige machines binnenkort in fabrieken, magazijnen en zelfs onze huizen zullen werken. Maar als je voorbij de persberichten kijkt en de demonstratievideo’s even pauzeert, rijst er een eerlijkere vraag: waar staan we eigenlijk? En wat moet er nog gebeuren voordat humanoids echt nuttig werk kunnen verrichten?

Dit artikel gaat niet over de hype maar over de concrete technische uitdagingen die opgelost moeten worden, hoe die mogelijk aangepakt kunnen worden en wat je vandaag al kunt verwachten van de huidige generatie humanoids.

Waar staan we vandaag

De eerlijkste samenvatting van de huidige stand van zaken komt van de mensen die er het dichtst bij staan. Pras Velagapudi, chief technology officer bij Agility Robotics, zei het zo: “We’ve been trying to figure out how do we not just make a humanoid robot, but also make a humanoid robot that does useful work.” En Kaan Dogrusoz, CEO van Weave Robotics, vergeleek de huidige generatie humanoids met de Newton van Apple: het juiste idee, maar de technologie is er nog niet klaar voor.

Dat is geen pessimisme. Het is realisme. Humanoid robots kunnen vandaag indrukwekkende dingen doen in gecontroleerde omgevingen. Ze kunnen lopen, objecten oppakken, eenvoudige taken uitvoeren. Maar zodra de omgeving iets minder voorspelbaar wordt, zodra er een handdoek op de vloer ligt of een deur met een onbekend handvat, lopen ze vast. Een kind van vier jaar oud navigeert moeiteloos door een rommelig huis. Een humanoid robot van 2026 doet dat niet.

Bottleneck 1: dexteriteit en de handen

De grootste technische uitdaging voor humanoid robots is dexteriteit. Menselijke handen zijn buitengewoon complex. Ze bevatten ongeveer 17.000 mechanoreceptoren in de huid, verdeeld over vier types die elk verschillende soorten aanraking registreren: druk, trillingen, textuur en rek. Bovenop die huidreceptoren hebben spieren en pezen hun eigen sensoren die kracht en spanning meten. Al die informatie samen maakt het mogelijk om een lucifer op te pakken, een shirt dicht te knopen of een ei te breken zonder het te verpletteren.

Humanoid robots missen dit volledig. De meeste huidige systemen trainen op visuele data: video’s van mensen die taken uitvoeren, waaruit een neuraal netwerk probeert te leren hoe de robot dezelfde bewegingen moet maken. Maar beweging zonder tastzin is als koken zonder te kunnen proeven. Je kunt de handelingen imiteren, maar je hebt geen feedback over of het werkt.

Robotonderzoeker Rodney Brooks, die al sinds 1992 humanoid robots bouwt en duizenden exemplaren van zijn Baxter en Sawyer robots heeft verkocht, stelt dat de grote spelers twee fundamentele fouten maken. Ten eerste verzamelen ze de verkeerde data: alleen visuele informatie, zonder kracht- of tastsensoren. Ten tweede proberen ze het verkeerde te leren: een directe mapping van wat de camera ziet naar wat de hand doet, terwijl menselijke dexteriteit werkt via plannen en subtaken die worden bijgestuurd door tactiele feedback.

Hoe kan dit opgelost worden

De oplossing ligt in betere sensoriek en betere data. Academische onderzoeksgroepen experimenteren al met handschoenen die robotvingers aansturen terwijl de mens tegelijkertijd tastsensoren op de robothand voelt via krachtkoppeling. Zo wordt er niet alleen bewegingsdata verzameld, maar ook informatie over hoe de robot de wereld aanraakt. Dat is een stap in de goede richting, al is het nog ver verwijderd van de rijkdom van het menselijke tastsysteem.

Daarnaast is er ruimte voor specialisatie. Zuignapgrippers, die objecten oppakken via onderdruk, zijn al aanzienlijk verbeterd en worden succesvol ingezet in magazijnen voor het sorteren van pakketten. Ze zijn niet universeel, maar ze werken betrouwbaar voor een specifieke klasse van taken. De les hier is dat speciale grijpers voor specifieke taken misschien een realistischere weg zijn dan een universele mensachtige hand.

Bottleneck 2: veiligheid bij het lopen

Humanoid robots lopen niet zoals mensen. Mensen lopen als verende, elastische systemen die energie opslaan in pezen en die energie hergebruiken bij de volgende stap. De achillespees speelt daarin een centrale rol. Humanoid robots gebruiken krachtige elektromotoren om balans te houden via een algoritme dat al meer dan vijftig jaar oud is: het ZMP-algoritme, of Zero-Moment Point. Dat werkt, maar het maakt de robot stijf en energiehongerig.

Het echte probleem is wat er gebeurt als zo’n robot valt. En ze vallen. Wanneer een instabiliteit wordt gedetecteerd, pompt de robot energie in het systeem om te corrigeren. Als dat niet lukt en de robot kantelt, hebben de benen vrije kinetische energie die nergens heen kan. Alles wat in de weg staat, krijgt een harde klap van metaal. Bij een kleine robot van een halve meter is dat vervelend. Bij een volwaardige humanoid van 70 kilogram is dat gevaarlijk.

De schaalwetten van de fysica maken dit probleem erger naarmate robots groter worden. Als je een robot in alle richtingen met een factor twee vergroot, neemt de massa toe met een factor acht. De energie die vrijkomt bij een val neemt dus ook met een factor acht toe, of meer. Dat is waarom kleine humanoid robots relatief veilig aanvoelen, maar een volgroeide versie een heel andere risicocategorie vormt.

Hoe kan dit opgelost worden

Er zijn twee paden. Het eerste is het ontwikkelen van nieuwe mechanische architecturen die meer lijken op hoe mensen lopen: passieve dynamica, energieopslag in pezen, en zachte materialen die klappen absorberen. Academisch onderzoek hierop bestaat al decennia, maar heeft de praktische betrouwbaarheid van huidige systemen nog niet bereikt.

Het tweede pad is het accepteren van de beperking en robots kleiner en lichter te maken. Veel fabrikanten gaan al die kant op. Het nadeel is dat lichtere robots minder kunnen tillen en zeker niet de fysieke ondersteuning kunnen bieden die nodig is bij ouderenzorg, een van de meest genoemde toepassingen voor humanoids. Een robot die te licht is om iemand overeind te helpen, lost het probleem niet op.

Een veiligheidsstop die de motoren uitschakelt bij nood, zoals bij industriële robots verplicht is, werkt niet bij een balancerende robot: als de motoren uitvallen, valt de robot. Rethink Robotics loste dit op voor zijn armrobots met een circuit dat de terugstroom van de motor gebruikte als rem. Iets vergelijkbaars moet nog uitgevonden worden voor lopende humanoids.

Bottleneck 3: het begrijpen van de wereld

Een kind van negen jaar kan een pakket bezorgen. Het klimt uit een bestelwagen, loopt een onbekende trap op, ziet een brievenbus die het nog nooit eerder heeft gezien, trekt aan het handvat en legt het pakket neer. Dat alles zonder voorbereiding, in een omgeving die het nog nooit heeft bezocht.

Geen enkele humanoid robot kan dit vandaag. Niet in een labdemo, niet in een gecontroleerde omgeving, nergens. De reden is dat robots geen doorlopend begrip hebben van de wereld. Ze weten niet wat er gisteren was, wat er vandaag veranderd is of wat er morgen waarschijnlijk anders zal zijn. Ze hebben geen model van de wereld dat ze kunnen gebruiken om te redeneren over nieuwe situaties.

Grote taalmodellen zoals ChatGPT lijken soms alsof ze de wereld begrijpen, maar ze genereren tekst op basis van statistische patronen, niet op basis van begrip. Voor een robot die fysiek moet handelen in een dynamische omgeving is dat niet genoeg.

Hoe kan dit opgelost worden

Wereldmodellen zijn een actief onderzoeksgebied. Het idee is dat een robot een intern model bijhoudt van zijn omgeving, inclusief wat er verandert en wat stabiel blijft. Dat model kan dan gebruikt worden om te plannen en te redeneren. De uitdaging is dat zo’n model zowel rijk genoeg moet zijn om nuttig te zijn als efficiënt genoeg om in realtime te werken.

Er is ook een fundamenteel onderscheid dat relevant is: het verschil tussen een robot die gesitueerd is in de wereld en een robot die belichaamd is. Een gesitueerde robot reageert op wat hij waarneemt. Een belichaamde robot ervaart de wereld via zijn eigen lichaam, voelt krachten en inertie, en past zijn gedrag daarop aan. De meeste huidige trainingsbenaderingen proberen de belichaming weg te abstraheren en robots te reduceren tot apps met benen. Dat werkt niet voor taken die echte fysieke interactie vereisen.

Bottleneck 4: de kloof tussen demo en deployment

Humanoid robots zien er indrukwekkend uit in video’s. Ze dansen, maken salto’s, lopen over ongelijk terrein. Maar die prestaties zijn het resultaat van intensieve training voor precies die situatie, op precies dat oppervlak, met precies die verlichting. Generalisatie naar nieuwe omgevingen is een heel ander verhaal.

De kloof tussen een laboratoriumdemo en een betrouwbaar werkende robot in een echte fabriek of thuis is enorm. Fabrieken zijn rommelig, onvoorspelbaar en gevaarlijk. Thuis is het nog erger: natte vloeren, losliggende kabels, kinderen, huisdieren. Een robot die in een gecontroleerde omgeving werkt, is nog inzetbaar product.

Daar komt bij dat de huidige businessmodellen voor humanoid robots vaak niet kloppen. De belofte is dat één universele humanoid robot alle taken kan uitvoeren die een mens kan uitvoeren. Maar de realiteit is dat voor elke specifieke taak een enorme hoeveelheid training nodig is, en dat de robot buiten die taak weinig kan. Dat maakt de economie van humanoid robots moeilijk te rechtvaardigen tegenover speciale machines die één ding heel goed doen.

Hoe haal je er het meeste uit vandaag

De meest succesvolle toepassingen van humanoid robots vandaag zijn die waarbij de taak beperkt en goed gedefinieerd is, de omgeving gecontroleerd is en de robot niet hoeft samen te werken met mensen in dezelfde ruimte. Magazijntaken waarbij robots en mensen gescheiden zijn, zijn een goed voorbeeld. Agility Robotics’ Digit robot werkt in dit model: beperkte taken, veilige scheiding van mensen, geen complexe handen nodig.

Voor bedrijven die nu al met humanoid robots willen werken, is de les: begin klein, begin specifiek. Kies één taak die repetitief is, goed gedefinieerd is en waarbij de omgeving enigszins gecontroleerd kan worden. Verwacht geen universele oplossing. Investeer in de integratie en de veiligheidsinfrastructuur rondom de robot, niet alleen in de robot zelf.

Wat de komende tien jaar realistisch is

De verwachting dat humanoid robots binnen vijf jaar fabrieksarbeiders vervangen is niet realistisch. De verwachting dat er over tien jaar geen nuttige humanoid robots bestaan, is dat ook niet. De waarheid ligt in het midden, en de vorm van die robots zal er waarschijnlijk anders uitzien dan wat nu wordt gehypet.

Wielen in plaats van benen, één of twee armen in plaats van vijf vingers per hand, gespecialiseerde grijpers voor specifieke taken, extra sensoren op plaatsen waar mensen die niet hebben. Ze zullen nog steeds humanoid robots worden genoemd, maar ze zullen weinig lijken op de mensachtige machines uit sciencefiction.

De echte doorbraken zullen komen van betere tastsensoren, nieuwe mechanische ontwerpen voor veilig lopen, en trainingsmethoden die verder gaan dan visuele data. Die doorbraken zijn niet onmogelijk, maar ze vereisen fundamenteel onderzoek, niet alleen meer data en meer rekenkracht.