MIT utvikler synssystem som gir roboter kroppsbevissthet

KI-generert. ChatGPT
Bilde: KI-generert. ChatGPT

The Robot Report meldte 29. juni 2025 at forskere ved MITs CSAIL-laboratorium har utviklet et unikt synssystem kalt Neural Jacobian Fields (NJF). Dette systemet gjør det mulig for roboter å lære om sin egen kropp og bevegelsesmuligheter ved hjelp av syn alene – uten innbyggede sensorer eller forhåndsdefinerte modeller

Å lære gjennom visuell selvobservasjon

I stedet for å avhenge av komplekse modellbetraktninger eller sensornettverk, lar NJF-rammeverket roboten utforske egne bevegelser med tilfeldige kommandoer mens kameraet overvåker. Systemet bygger så et internt kart som kombinerer kroppens form og hvordan motorenes signaler oversettes til bevegelse. Robotens «selvforståelse» skapes gjennom datadrevet læring, analogt til hvordan vi mennesker lærer å bruke våre egne armer og fingre.

Effektivt og sensor­uavhengig kontroll

Resultatet er imponerende: etter trening bruker roboten bare ett enkelt kamera i sanntid for å korrigere og styre egne bevegelser med 12 Hz oppdateringshastighet. Denne løsningen er enklere og mer skalerbar enn tradisjonelle tilnærminger med simuleringsmodeller eller sensornettverk. Det demokratiserer robotdesign – særlig for myke eller uregelmessige roboter, som tidligere krevde mye tilpasset kontrollarkitektur.

Brede anvendelser i det virkelige liv

Forskningen har vist at NJF fungerer på alt fra myke pneumatiske hender og Allegro-hender til 3D-printede armer og roterende plattformer. Metoden åpner døren for bruk i landbruk, byggeplasser, lager og hjem – miljøer preget av ustrukturert interaksjon hvor tradisjonelle algoritmer ofte feiler.

Hva skiller dette fra tidligere forskning?

Tradisjonelt har roboter vært avhengige av intrikate matematiske modellen eller sensorteori. NJF endrer fundamentet: nå trenger man bare syn som sensor, oppfellingsstrategi og beregni ngs­kraft. Dette muliggjør fleksible og billigere roboter, der design ikke lenger er begrenset av sensorinstallasjon eller modelltilpasning. Det representerer et viktig paradigmeskifte – fra «programmering» mot «undervisning»

Fremtidsutsikter og videreutvikling

Selv om NJF for øyeblikket krever kameraarray og trening for hver ny robot, arbeider MIT-forskerne allerede med enklere løsninger – for eksempel bruk av mobilkamera og digital tvilling. De ser potensiale innen bedre generalisering, håndtering av blokkering (occlusion) og utvidet virksomhet over tid og rom. Slike forbedringer kan bety at brukere selv kan bruke NJF hjemme eller i små bedrifter uten avansert ekspertise .

Har du innspill til denne saken, eller andre saker?
Kontakt [email protected]