Een krachtigere computerchip zal de visuele en handmatige problemen van humanoïde robots niet op zichzelf oplossen.
Hoewel rekenkracht helpt bij het sneller verwerken van data, liggen de grootste knelpunten in de fysieke beperkingen van de hardware en de complexiteit van de echte wereld.
De uitdagingen zijn opgesplitst in de fysieke en softwarematige realiteit:
1. Visuele problemen (Zien en begrijpen)
- Sensoren versus rekenkracht:
Een snellere chip kan algoritmes sneller laten draaien, maar kan geen data verzinnen die de sensor niet opvangt.
Huidige camera's hebben moeite met fel zonlicht, reflecties, en dieptewaarneming in complexe omgevingen [The Robot Report].
- Onvoorspelbaarheid:
De fysieke wereld is chaotisch.
Het interpreteren van overlappende objecten, schaduwen en onbekende vormen vereist enorme 'intelligentie' in plaats van alleen brute rekenkracht [MIT News].
2. Handmatige problemen (Aanraken en manipuleren)
- Fijne motoriek:
Het oppakken van een breekbaar ei of het omdraaien van een sleutel vereist extreem nauwkeurige motoren en tactiele sensoren in de 'huid' van de robot [IEEE Spectrum].
- Zwaartekracht en wrijving:
Het berekenen van de juiste hoeveelheid kracht om een object vast te pakken zonder het te pletten (tactiele feedback) is een probleem van natuurkunde en materiaalkunde, niet alleen van software.
De echte doorbraak
Vooruitgang zit momenteel vooral in AI-modellen (zoals End-to-End neurale netwerken) en simulaties [MIT News].
Robots leren taken nu beter uitvoeren door ze miljoenen keren in een gesimuleerde omgeving te oefenen, waarna de geleerde vaardigheden worden overgedragen op de fysieke robot