UC Berkeley en NVIDIA stellen agent-gebaseerde robotica voor om dataschaling-limieten te omzeilen

UC Berkeley en NVIDIA hebben gezamenlijk een nieuwe aanpak aangekondigd genaamd agent-gebaseerde robotica (agentic robotics), die AI-codeeragenten gebruikt om industriële robots te programmeren via simulatie en codegeneratie, in plaats van te vertrouwen op enorme datasets van menselijke demonstraties. Deze verschuiving is bedoeld om het probleem van dataschaling op te lossen dat momenteel de inzet van robots voor algemeen gebruik in industriële omgevingen belemmert.

Wat is er gebeurd

Volgens IEEE Spectrum werd de aankondiging gedaan tijdens de Conference on Robot Learning 2026. De techniek maakt gebruik van grote taalmodellen (LLM's) om complexe taken, zoals het inpakken van boodschappen, op te splitsen in subtaken die worden toegewezen aan gespecialiseerde codeeragenten. Deze agenten verzorgen perceptie, manipulatie en transport door voor mensen leesbare code te schrijven die gebruikmaakt van bestaande roboticatools zoals pose-schatting en trajectgeneratie.

Ken Goldberg, hoogleraar robotica aan UC Berkeley en mede-oprichter van Ambi Robotics, stelde dat het paradigma van imitatie-leren een "plateau heeft bereikt". Hij merkte op dat hoewel datagestuurde benaderingen werken voor thuisrobots, ze moeite hebben om te voldoen aan de betrouwbaarheidseisen van industriële toepassingen. Goldberg, die heeft gewerkt met bedrijven als Siemens en Bosch, observeerde dat het toevoegen van meer data vaak leidt tot nieuwe fouten zonder convergentie te garanderen.

Spencer Huang, Director of Product for Robotics bij NVIDIA, legde uit dat de kwaliteit van agent-gebaseerd coderen het afgelopen jaar voldoende is verbeterd om dit levensvatbaar te maken. De agenten itereren door code uit te voeren in simulaties, parameters aan te passen en zelfs simulatieomgevingen af te stemmen op video's uit de echte wereld. Torsten Kroeger, chief science officer bij Intrinsic van Alphabet, waarschuwde echter dat geen enkele huidige physics-engine fysiek contact nauwkeurig kan modelleren, wat betekent dat de kloof tussen simulatie en realiteit een onopgeloste uitdaging blijft. Om fouten in AI-gegenereerde code te beperken, gebruikt het team adversariële agent-opstellingen waarbij de ene agent code ontwerpt en de andere probeert fouten te vinden.

Waarom dit belangrijk is voor kleine productie- en logistieke teams

Voor kleine bedrijven die actief zijn in productie of logistiek is de huidige standaard voor het inzetten van flexibele automatisering vaak onbetaalbaar of technisch ontoegankelijk. Het heersende model vereist ofwel het inhuren van gespecialiseerde roboticus om low-level code te schrijven, of het kopen van dure datasets; geen van beide schaalt voor een team van vijf personen. Agent-gebaseerde robotica verandert de kostenstructuur door robotprogrammering te veranderen in een software-engineeringprobleem dat kan worden afgehandeld door AI-tools voor algemeen gebruik.

Dit is significant omdat het de toetredingsdrempel verlegt van "dataverzameling" naar "simulatieconfiguratie". Als een klein team natuurlijke taal kan gebruiken om een taak te definiëren en AI-agenten de codegeneratie en simulatie-afstemming laat afhandelen, kan de tijd tot implementatie voor een nieuwe SKU of proceswijziging dalen van weken naar dagen. Scepticisme is echter gerechtvaardigd. De afhankelijkheid van simulatie betekent dat als de physics-engine contact niet nauwkeurig kan modelleren, de robot in de echte wereld zal falen. Voor een klein bedrijf is een robot die in simulatie werkt maar vastloopt op de werkvloer een aansprakelijkheid, geen bezit. De vermelding van adversariële agenten is een goed teken voor de veiligheid, maar totdat ISO 10218 of ISO/TS 15066-compliance expliciet wordt aangepakt voor dit AI-gegenereerde gedrag, blijft dit een onderzoekspilot en geen kant-en-klaar product. Houd in de gaten of deze aanpak de behoefte aan menselijk toezicht in veiligheidskritieke lussen vermindert.

Wat te doen deze week

1. Controleer uw huidige handmatige taken om één repetitief, niet-kritiek proces te identificeren dat een kandidaat zou kunnen zijn voor simulatiegebaseerd testen, zoals een specifieke verpakkingsvolgorde of kwaliteitscontrole.
2. Bekijk de simulatiemogelijkheden van uw huidige of toekomstige robotleverancier om te bepalen of zij API's aanbieden die externe code-injectie of parameter-afstemming mogelijk maken, wat een vereiste is voor agent-gebaseerde workflows.
3. Documenteer de specifieke faalwijzen van uw huidige automatisering of handmatige proces en creëer een basislijst van randgevallen die elke door AI-agenten gegenereerde oplossing moet kunnen afhandelen om als levensvatbaar voor uw werkvloer te worden beschouwd.

Bronnen

• Can Agentic Robotics Solve Robotics’ Data Scaling Problem? — IEEE Spectrum - Robotics