Op het European Robotics Forum in Stavanger spraken we met Jean-François de Sallier over hoe force-feedback wearables en optische sensoren samenkomen om robotleren te versnellen. Dit jaar is de Franse haptische specialist met zijn kenmerkende force-feedbacktechnologie een nieuwe richting ingeslagen, door samen te werken met de draagbare optische sensoren van SenseGlove . Het resultaat is een gecombineerd data-acquisitie- en teleoperatieplatform.
Het nieuwe systeem combineert Haptions per-vinger force feedback, waarmee een operator de contactkrachten aan het topje van elke vinger fysiek kan voelen, met de hoge-snelheidsoptiek van SenseGlove, die hand- en vingerbewegingen vastlegt met een resolutie tot op één milliseconde. Die combinatie is precies wat het platform onderscheidt, aldus De Sallier. “Je hebt de force feedback op elke vinger, de mogelijkheid om te voelen wat er aan het uiteinde van je vinger gebeurt, en je verzamelt een enorme hoeveelheid data met een frequentie tot één milliseconde. Dat is fantastisch voor de nieuwe toepassingen die we nu aanpakken.”
Robots snel laten leren
De timing is niet toevallig. Nu humanoïde robots de conferentiegangen domineren, is één van de grootste uitdagingen in het veld het zogenoemde imitatieleren: een robot een taak laten observeren zoals een mens die uitvoert, zodat hij die vervolgens betrouwbaar kan herhalen. De Sallier ziet het Haption–SenseGlove-platform als een rechtstreeks antwoord op die uitdaging. “Er is nu heel veel aandacht voor humanoïden en robotica,” zei hij, “en één van de grote problemen is hoe je robots snel kunt laten leren. Je kunt meteen aan de robot laten zien hoe je een object oppakt, hoe je een probleem oplost, en met dataverzameling in real time heb je precies die acquisitie-opstelling die je nodig hebt.”
Het idee is dat een operator met de handschoenen een taak op een natuurlijke, intuïtieve manier uitvoert, begeleid door haptische feedback die echte interactiekrachten nabootst, terwijl de optische sensoren van SenseGlove elke nuance van de beweging vastleggen. Die rijke, tijdgestempelde dataset kan vervolgens direct worden ingevoerd in leeralgoritmen voor robots.
