Graph Neural Networks maken het mogelijk om robotlichaam en besturing samen te laten evolueren voor betere robotintelligentie.

Onderzoekers hebben een baanbrekende methode ontwikkeld die gebruik maakt van Graph Neural Networks (GNN's) om zachte robots te ontwerpen waarbij zowel de fysieke vorm als het besturingssysteem gelijktijdig kunnen evolueren. Deze aanpak zou een significante stap voorwaarts kunnen betekenen in de ontwikkeling van intelligente robotsystemen.
Traditionale robotica richt zich vaak op het ontwikkelen van geavanceerde besturingssystemen voor bestaande robotlichamen. Echter, volgens het principe van 'embodied intelligence' ontstaat werkelijk intelligentgedrag pas uit de nauwe koppeling tussen lichaam en 'hersenen' van een robot. Deze benadering erkent dat de fysieke vorm van een robot direct invloed heeft op hoe effectief het besturingssysteem kan functioneren.
Bij zachte robots - robots gemaakt van flexibele materialen - wordt dit nog complexer. Het gelijktijdig optimaliseren van zowel morfologie (lichaamsvorm) als besturing vormt een grote uitdaging, omdat veranderingen in de robotvorm vaak de geleerde besturingsstrategieën verstoren.
De onderzoekers hebben een innovatieve oplossing ontwikkeld waarbij elke robot wordt gerepresenteerd als een grafiek. Hun systeem gebruikt een Graph Attention Network (GAT) dat de eigenschappen van elk onderdeel van de robot analyseert. Deze informatie wordt vervolgens door een multilayer perceptron (MLP) verwerkt om besturingsopdrachten of waarderingen te genereren.
Het slimme van deze aanpak zit in hoe het systeem omgaat met evolutie. Wanneer een robot evolueert en van vorm verandert, volgt de kennisoverdracht een 'topologie-consistente mapping':
In vergelijkende tests presteerde de GAT-gebaseerde aanpak significant beter dan traditionele MLP-alleen methoden. Het systeem behaalde niet alleen hogere eindprestaties, maar toonde ook sterkere aanpassingsvermogen aan morfologische variaties.
Deze resultaten suggereren dat graph-gestructureerde beleidslijnen een effectievere interface bieden tussen evoluerende lichaamsvorm en besturing voor embodied intelligence.
Deze doorbraak opent nieuwe mogelijkheden voor de ontwikkeling van adaptieve robotsystemen. In plaats van robots te ontwerpen met vaste vormen en daaraan aangepaste besturingssystemen, kunnen toekomstige robots zich continu aanpassen aan nieuwe uitdagingen door zowel hun fysieke vorm als hun 'denkwijze' te evolueren.
Dit onderzoek, gepubliceerd op arXiv, vertegenwoordigt een belangrijke stap naar meer veelzijdige en intelligente robotsystemen die beter kunnen inspelen op onvoorspelbare omgevingen en taken.

Nieuw AI-systeem voorspelt minimaal benodigde beeldresolutie voor visuele taalmodellen, wat tot 80% minder rekenkracht kan opleveren.

Nieuwe techniek gebruikt superklassen om AI-modellen robuuster te maken tegen misleidende patronen zonder handmatige labels.

Nieuw onderzoek toont aan dat de structuur van woordenschat crucialer is dan vrije woordvolgorde voor hoe AI-modellen talen leren.