Stel je een fabriekshal voor waar geen menselijke ingenieur meer aan te pas komt. Een computer start met een willekeurig, digitaal ‘organisme’ en laat hier de wetten van Darwin op los. Generatie na generatie muteren de software en de vorm van de robot om een specifieke taak te optimaliseren. Wat er na miljoenen virtuele iteraties uitrolt, is geen traditionele robot meer; het is een organisch gevormd “wezen” dat perfect is aangepast aan zijn omgeving en taak. Dát is de belofte van Evolutionaire Robotica (ER).
De realiteit is echter dat deze geëvolueerde robots de simulatoren waarin ze geboren zijn, vrijwel nooit overleven. Waarom is de stap van een digitale evolutie naar een fysieke machine zo gigantisch lastig?
Kunstmatige selectie en de fitnessfunctie
Het fundamentele principe achter Evolutionaire Robotica rust op genetische algoritmen (GA). In plaats van dat een engineer handmatig de inverse kinematica of de code voor de stabiliteit berekent, laat men dit over aan een wiskundig selectieproces: de fitnessfunctie f(x). Deze functie kwantificeert hoe succesvol een robotontwerp is in het uitvoeren van een taak, zoals het maximaliseren van de verplaatsingssnelheid over ongelijk terrein.
Wiskundig gezien wordt geprobeerd de optimale parameters x te vinden om de fitnessfunctie maximaliseren:
Waarbij Ω de totale zoekruimte van alle mogelijke mechanische vormen en controlestructuren (neurale netwerken) voorstelt. De best presterende ontwerpen worden geselecteerd en gekruist, en daardoor voorzien van willekeurige mutaties. Omdat dit proces miljoenen testruns vereist, is het fysiek testen van elke robot onmogelijk; dit zou simpelweg te veel tijd en geld kosten. Daarom vindt de robotevolutie plaats in computer-simulaties (physics-engine).
De reality gap
Hier komt direct de grootste mechanische en computationele bottleneck: the reality gap. Een computersimulatie kan anders reageren dan je verwacht. Waar een ingenieur een zo nauwkeurig mogelijke benadering van de natuurkunde wil, zoekt een evolutionair algoritme opportunistisch naar loopholes. Het algoritme is niet bezig met ‘logisch nadenken’; het maximaliseert puur de score (fitnessfunctie) binnen de geprogrammeerde spelregels.
Dit leidt in de praktijk tot situaties waarin evoluerende robots de simulator ‘oplichten’. In een experiment van Karl Sims moesten digitale wezens evolueren om zich zo snel mogelijk over een vlakte te verplaatsen. Het algoritme ontdekte echter een fout in de rekenmethode van de simulator. Door hun virtuele ledematen op een specifieke, onnatuurlijke manier tegen elkaar aan te slaan, raakte de botsingsdetectie van de computer in de war. De simulator berekende een oneindige opwaartse kracht, waardoor de robots met mach-snelheden door het digitale universum werden gelanceerd. Mathematisch gezien een absolute topscore voor snelheid, maar mechanisch gezien volstrekt onbruikbaar.
De transitie naar de echte wereld laat deze simulatiefouten direct zien. Waar de computer rekent met perfecte variabelen, reageert de fysieke werkelijkheid met onverwachtheden zoals materiaalmoeheid, niet-lineaire wrijving en microscopische toleranties. Een fysieke robot slaat zichzelf door de optredende trillingen in no-time structureel aan gort. Bovendien is het model extreem gevoelig voor de initiële configuratie. Als de invoerparameters de werkelijke materiaaleigenschappen niet exact dekken, is de output onbruikbaar. Ofwel: garbage in, garbage out.
De black box en onvoorspelbaarheid
Mocht een robot the reality gap toch wel overbruggen, dan is er direct een volgend probleem: traceerbaarheid. Omdat de robot vorm heeft gekregen door miljoenen willekeurige mutaties, is het eindresultaat een black box. Er is namelijk geen overzichtelijke blauwdruk. De robot werkt, maar we begrijpen niet exact waarom.
Dit gebrek aan voorspelbaarheid is een nachtmerrie voor industriële certificering. Binnen de machinebouw moeten systemen voldoen aan strenge ISO- en CE-veiligheidsnormen. Gedrag moet voorspelbaar en herleidbaar zijn. Als een geëvolueerde machine op de fabrieksvloer in een onvoorziene situatie een onverwachte beweging maakt, omdat zijn fitnessfunctie hem dat ooit in een simulatie heeft aangeleerd, zijn de gevolgen niet te overzien. Je verliest de controle over het product zodra je het ontwerpproces uitbesteedt aan een algoritme.
Actuele Trends: Evolvable AI en Extreme Omgevingen
Ondanks deze harde bottlenecks is er de laatste tijd een sterke heropleving van de interesse in ER, aangedreven door de opkomst van Evolvable AI (eAI). Uit recent wetenschappelijk onderzoek blijkt dat evolutionaire algoritmen niet langer puur op willekeurige mutaties vertrouwen. Ze worden nu gekoppeld aan Large Language Models (LLM’s) en generatieve AI om gerichte, fysisch logischere mutaties voor te stellen in zowel code als 3D-vormen. Dit verkort de evolutietijd drastisch en helpt om ‘simulatie-fraude’ eruit te halen voordat ze ontstaan.
Bovendien verschuift de commerciële focus. Waar ER op een gestandaardiseerde fabrieksvloer ongewenst is, is het in extreme omgevingen juist de toekomst. Denk aan diepzee-missies, nucleaire ontmanteling of autonome Marsmissies. In scenario’s waar menselijke ingenieurs niet kunnen komen en de omgeving fundamenteel onvoorspelbaar is, wegen de voordelen van een zelf-evoluerende, adaptieve robot zwaarder dan het nadeel van de black box.
Conclusie
Evolutionaire Robotica dwingt ons om kritisch te kijken naar de rol van de ingenieur. Het idee dat we het ontwerpproces volledig kunnen overlaten aan de survival of the fittest klinkt verleidelijk, maar is voorlopig nog geen werkelijkheid. Zolang simulatoren de oneindige complexiteit van de werkelijkheid niet perfect kunnen nabootsen, blijven ingenieurs onmisbaar om de wetten van de natuurkunde te waarborgen. Pas wanneer we AI-gestuurde evolutie beter kunnen combineren met harde natuurkunde, kunnen deze digitale wezens échte robots worden.
Robert Dilber
Kijk voor meer blogs hier
Bronnen:
- Afbeeldingen – Gemini
- Jakobi, N., Husbands, P., & Harvey, I. – Noise and the reality gap: The use of simulation in evolutionary robotics.
- Popular Mechanics – “The Hilarious (and Terrifying?) Ways Algorithms Have Outsmarted Their Creators”
- Karl Sims – Evolving Virtual Creatures
- IBM – ” What is black box AI? “