AI-robotica

AI-robotica gaat over robots die door een AI-model worden aangestuurd in plaats van door een vast programma. Een klassieke fabrieksrobot herhaalt geprogrammeerde bewegingen. Een robot met AI kijkt via zijn camera's, krijgt een opdracht als "leg de appel in de schaal" en bedenkt zelf de bewegingen. Voor een bedrijf is de belofte een robot die van taak wisselt zonder nieuw programmeerwerk. De voorbeelden hieronder zijn onderzoeksmodellen.

Wat is het verschil met een klassieke robot?

In de ISO-definitie die de International Federation of Robotics gebruikt, is een industriële robot een automatisch bestuurde, herprogrammeerbare manipulator: iemand legt per taak de bewegingen vast. AI-robotica vervangt dat programma door een model dat van voorbeelden heeft geleerd. Het bredere vakgebied van AI die via een lichaam handelt, heet embodied AI.

Veel huidig werk gebruikt vision-language-action-modellen (VLA), een naam uit RT-2 van Google DeepMind (2023). RT-2 neemt een vision-language model dat op afbeeldingen en tekst van het web is getraind, en traint dat verder op robotdata en webdata samen, met de acties van de robot geschreven als tokens in tekst: het model beantwoordt een opdracht met bewegingen zoals het een vraag met woorden beantwoordt. In 6.000 testrondes kon RT-2 beter met onbekende voorwerpen overweg dan eerdere robotmodellen, en voerde het opdrachten uit die niet in zijn robotdata stonden, zoals een voorwerp op een bepaald getal of pictogram leggen.

Waar komt de trainingsdata vandaan?

Robotdata groeit lineair met menselijk werk, schrijft NVIDIA in zijn paper over GR00T N1 (2025): meestal bestuurt een mens de robot op afstand voor elke demonstratie, die het model daarna leert na te doen. GR00T N1, een open foundation model voor humanoïde robots, stapelt zijn data als een piramide: webdata en video's van mensen onderaan, synthetische data uit simulaties en videomodellen in het midden, echte robotdata bovenaan.

Een simulator maakt ook reinforcement learning mogelijk, leren met vallen en opstaan, wat op echte hardware gevaarlijk kan zijn en duizenden uren kan kosten (Tobin e.a., OpenAI en UC Berkeley, 2017). Het probleem is de reality gap, de kloof tussen simulatie en werkelijkheid: simulators missen effecten als slijtage en buigzame materialen. Tobin e.a. varieerden kleuren, texturen en belichting willekeurig, zodat de echte wereld voor het model als nog een variatie zou kunnen ogen; hun objectdetector, alleen getraind op gesimuleerde beelden, vond echte voorwerpen tot op 1,5 cm nauwkeurig.

Hugging Face telde 1.145 roboticadatasets op zijn platform in 2024 en 26.991 in 2025, waarmee robotica daar de grootste datasetcategorie werd (maart 2026).

Hoe stuurt het model de robot aan?

Het model draait in een lus: kijken, handelen, opnieuw kijken. Het grootste RT-2-model, met 55 miljard parameters, draaide in de cloud met 1 tot 3 stappen per seconde; de auteurs waarschuwen dat de rekenkosten een knelpunt kunnen worden voor taken die snellere besturing vragen. GR00T N1 verdeelt het werk: een vision-language-deel leest het camerabeeld en de opdracht 10 keer per seconde, en een actiemodule stuurt 120 keer per seconde motoropdrachten.

Waar gaat het mis?

• Kennis van het web leert een robot geen nieuwe bewegingen: de fysieke vaardigheden van RT-2 bleven beperkt tot die in zijn robotdata, alleen op nieuwe manieren ingezet.
• Elke robot is anders gebouwd. Het paper over GR00T N1 spreekt van data-eilanden: verschillen in lichaam, sensoren, gewrichten en besturing houden de data van verschillende robots uit elkaar.
• Simulators missen dingen. Voor chirurgie noemt NVIDIA zacht weefsel, reflecties, bloed en rook.

Voorbeeld

In maart 2026 presenteerde NVIDIA GR00T-H, een VLA voor chirurgische robots, afgeleid van zijn GR00T N-modellen. Het leerde van ongeveer 600 uur uit Open-H-Embodiment, een open dataset van 778 uur, grotendeels van chirurgische robots, samengesteld door 35 organisaties. Elk type robot krijgt een eigen klein netwerk dat zijn bewegingen vertaalt naar een gedeelde actieruimte, zodat één model van alle robots kan leren. Een prototype voerde een volledige hechting uit, van de naald oppakken tot de knoop leggen, in de SutureBot-benchmark op een onderzoeksrobot.