Mensachtige robots kunnen er tijdens een korte demonstratie opmerkelijk capabel uitzien, maar toch problemen ondervinden wanneer de belichting verandert, een object een paar centimeter wordt verplaatst, een lade vastloopt of een taak langer duurt dan de volgorde die tijdens de training is gebruikt. Die kloof tussen een gepolijste demonstratie en betrouwbaar functioneren in de praktijk is het centrale probleem dat de volgende generatie mensachtige robots probeert op te lossen.
De verschuiving die nu gaande is, gaat van robots die voornamelijk geprogrammeerde bewegingen herhalen naar robots die kunnen waarnemen, redeneren, plannen en handelen via een fysiek lichaam. Deze aanpak wordt vaak 'embodied AI' genoemd . In de praktijk draait de robot niet alleen een AI-model; zijn intelligentie is gekoppeld aan camera's, krachtsensoren, gewrichtsposities, handen, benen en de veranderende omgeving eromheen.
In september 2026 zetten verschillende grote robotica-programma's stappen in deze richting. Google DeepMind introduceerde in juli 2026 Gemini Robotics 2 met volledige lichaamsbesturing en belichaamd redeneren; NVIDIA's GR00T 1.7 biedt een open visie-taal-actie-basismodel en een end-to-end trainingsworkflow; Figure meldt dat Helix 02 de geleerde besturing uitbreidt van het bovenlichaam naar volledige lichaamsbeweging; en Boston Dynamics combineert geleerd gedrag, reinforcement learning en onderzoek naar basismodellen met zijn productieplatform Atlas. Deze ontwikkelingen zijn belangrijk, maar ze moeten worden gezien als bewijs van snelle vooruitgang – niet als bewijs dat humanoïde robots voor algemeen gebruik klaar zijn voor elke werkplek of elk huis.
Conventionele industriële robots zijn uiterst effectief wanneer de omgeving gecontroleerd wordt. Een vaste arm kan dezelfde las-, plaatsings- of montagebeweging duizenden keren herhalen, omdat de objectlocatie, het gereedschap, de veiligheidsbehuizing en de taakvolgorde zijn afgestemd op de robot.
Mensachtige robots zijn ontworpen voor een veeleisendere werkomgeving: ruimtes die voor mensen zijn gebouwd. Planken, deuren, bakken, gereedschap, trappen, werkplekken en onderdelen kunnen variëren. De robot moet mogelijk kunnen lopen, reiken, balanceren, manipuleren, een verkeerde greep herstellen en gesproken instructies begrijpen zonder dat een technicus telkens een nieuw bewegingsprogramma hoeft te schrijven als er iets verandert.
Dat leidt tot vier onderling samenhangende problemen:
Geïntegreerde AI verandert de ontwikkeling van humanoïde robots doordat het deze problemen aanpakt als een verbonden leersysteem in plaats van waarneming, planning en beweging als geïsoleerde processen te behandelen.
De eenvoudigste conceptuele verbetering is tevens de meest fundamentele: de robot moet continu observeren wat er is gebeurd nadat hij een actie heeft uitgevoerd. Een machine met een script kan de opdracht "beweeg de hand naar coördinaten X, Y, Z" uitvoeren. Een systeem met een fysieke aanwezigheid probeert daarentegen een complexere vraag te beantwoorden: "Waar is het object nu? Heb ik het vastgepakt? Is het bewogen? Wat moet ik nu doen?"
Moderne visie-taal-actiemodellen , meestal afgekort tot VLA's , verbinden visuele input en instructies in natuurlijke taal met robotacties. Google DeepMind beschrijft Gemini Robotics 2 als een VLA die visie en taal omzet in motorische besturing. NVIDIA beschrijft GR00T 1.7 als een VLA dat meerdere vormen van robotgebruik combineert, multimodale inputs zoals taal, afbeeldingen en de robotstatus accepteert en acties genereert.
Dit is belangrijk omdat hetzelfde model in principe brede concepten kan hergebruiken voor veel verschillende taken. "Pak de blauwe doos op en plaats hem in de lade" hoeft niet langer een vastgelegde procedure te betekenen die gekoppeld is aan één specifieke tafelindeling.
Voor actuele technische details, zie de Gemini Robotics 2-release van Google DeepMind uit juli 2026 en de ontwikkelingshandleiding GR00T 1.7 van NVIDIA uit juli 2026 .
De volgende stap is het verminderen van de hoeveelheid gedrag die vanaf nul aangeleerd moet worden. Een robotbasismodel is erop gericht herbruikbare voorkennis over objecten, taal, beweging en manipulatie vast te leggen, voordat een ontwikkelaar het model specialiseert voor een specifieke humanoïde robot of workflow.
NVIDIA zegt dat GR00T 1.7 is getraind op ongeveer 32.000 uur aan echte demonstratie- en egocentrische menselijke data, plus ongeveer 8.000 uur aan gesimuleerde uitrol- en demonstratiesessies. Ontwikkelaars kunnen het basismodel vervolgens verder trainen voor een specifieke implementatie en taak, in plaats van te beginnen met een leeg beleid.
De verwachte kwaliteitswinst is niet simpelweg "de robot weet meer". Het nuttigere resultaat is generalisatie : een beleid moet blijven werken wanneer de positie van een object, het gezichtspunt, de achtergrond of de formulering van de taak binnen redelijke grenzen verandert.
Een goed teken dat deze aanpak werkt, is wanneer een team een nieuw object, scène-indeling of instructie kan toevoegen met minder taakspecifieke omscholing dan voorheen. Een waarschuwingssignaal is wanneer elke nieuwe variant nog steeds een apart beleid, een zorgvuldig voorbereide omgeving of een handmatige herstelprocedure vereist.
Fysieke robots zijn kostbare trainingsapparaten. Motoren raken oververhit, handen slijten, batterijen raken leeg, objecten breken en een val kan de ontwikkeling uren of zelfs dagen stilleggen. Simulatie biedt hiervoor een oplossing door beleidsregels vele variaties parallel te laten oefenen voordat ze op de hardware worden getest.
Boston Dynamics beschrijft hoe ze Atlas-gedrag trainen met behulp van reinforcement learning in een simulatieomgeving, waarna ze overstappen naar echte hardware en itereren op basis van resultaten uit de praktijk. De GR00T-workflow van NVIDIA omvat op vergelijkbare wijze de configuratie van de simulatie, het verzamelen van teleoperatiegegevens, het trainen van beleid, evaluatie en implementatie.
De cruciale stap is van simulatie naar realiteit : het overdragen van wat een model in de simulatie heeft geleerd naar een fysieke robot. Simulatie is waardevol, maar het is geen realiteit. Wrijving, contact, sensorruis, kabelgedrag, materiaaleigenschappen en menselijk onvoorspelbaar gedrag zijn moeilijk perfect te modelleren.
Teams zouden simulatie daarom moeten beschouwen als een middel om hun effectiviteit te vergroten, niet als een vervanging voor hardwarevalidatie. Een beleid dat er in de simulatie perfect uitziet, maar bij kleine variaties in de praktijk niet werkt, heeft het implementatieprobleem niet opgelost.
Humanoïde robots onderscheiden zich pas echt van statische robotarmen wanneer voortbeweging en manipulatie gecombineerd worden. Iemand die een zware deur opent, verplaatst vanzelfsprekend zijn gewicht, verandert zijn houding, draait zijn romp en past zijn grip aan. Humanoïde robots moeten vergelijkbare afhankelijkheden tussen vele gewrichten coördineren en tegelijkertijd stabiel blijven.
Figure kondigde in januari 2026 de Helix 02 aan en stelde dat het systeem zicht, tastzin en proprioceptie koppelt aan de aansturing van het hele lichaam in een geïntegreerd visuomotorisch netwerk. Het bedrijf demonstreerde een autonome afwasmachine-taak die lopen, evenwicht en manipulatie gedurende enkele minuten combineerde. Dit is een demonstratie die door het bedrijf zelf is gerapporteerd en geen onafhankelijke benchmark, maar het illustreert duidelijk de richting: volledige lichaamsautonomie vervangt de oudere tweedeling tussen "navigatie eerst" en "armtaak daarna".
De Gemini Robotics 2-release van Google DeepMind legt eveneens de nadruk op volledige lichaamsbesturing van humanoïde robots, inclusief gecoördineerde bewegingen van voeten tot vingertoppen. Het bredere technische doel is niet om elke humanoïde robot te laten bewegen als een mens. Het doel is om de robot stabiele, efficiënte lichaamsbewegingen te laten kiezen die de taak veilig uitvoeren.
Een VLA kan lokaal sensor-naar-actiegedrag afhandelen, maar langere taken vereisen redenering op een hoger niveau. Denk bijvoorbeeld aan "ruim deze werkbank op, leg gereedschap in de daarvoor bestemde laden, gooi verpakkingsmateriaal weg en meld eventuele beschadigingen." De robot moet subtaken identificeren, bijhouden welke taken voltooid zijn, fouten herkennen en het plan aanpassen wanneer de omgeving niet aan de verwachtingen voldoet.
Google DeepMind scheidt deze rol af in Gemini Robotics ER 2, een model voor belichaamd redeneren dat bedoeld is voor ruimtelijk inzicht, taakplanning, gereedschapsorkestratie en succesdetectie. Het bedrijf beschrijft een hiërarchie waarin een redeneermodel op hoog niveau de motorische uitvoering kan overdragen aan een VLA op een lager niveau.
Dit gelaagde ontwerp is belangrijk omdat snelle motorische aansturing en langzame, weloverwogen taakplanning verschillende eisen stellen. Een humanoïde hand heeft mogelijk snelle updates van de aansturing nodig, terwijl een planner de volgende deeltaak pas na een belangrijke gebeurtenis hoeft te heroverwegen.
Voor productieteams is de kwaliteitstest of het systeem veelvoorkomende fouten kan herstellen. Een robot die slechts acht stappen kan uitvoeren als elke voorgaande stap slaagt, is nog steeds kwetsbaar. Een robuuster systeem kan detecteren dat "het onderdeel is weggegleden", het opnieuw oppakken en verdergaan zonder de hele taak opnieuw te hoeven uitvoeren.
Cloud-logica kan grote modellen en zware rekenkracht leveren, maar een fysieke robot kan niet altijd wachten op een netwerkreactie voordat hij kan reageren. Balans, botsingsvermijding, grijpcorrectie en vele regelkringen vereisen een lage en voorspelbare latentie.
Daarom zijn robotica-modellen voor apparaten en edge-acceleratoren zo belangrijk. Google DeepMind's Gemini Robotics On-Device- project richt zich op het lokaal uitvoeren van algemene manipulatie-intelligentie, terwijl NVIDIA's humanoïde stack de implementatie via edge computing, zoals Jetson Thor, ondersteunt.
De meest waarschijnlijke architectuur voor capabele humanoïde robots is hybride in plaats van puur lokaal of puur cloudgebaseerd: snelle waarneming en besturing dicht bij de robot, terwijl zwaardere planning, vlootanalyses of modelupdates op een krachtigere infrastructuur draaien wanneer latentie en connectiviteit dit toelaten.
Het commerciële voordeel van geïntegreerde AI wordt groter wanneer vaardigheden door veel robots kunnen worden hergebruikt. Traditionele automatisering schaalt vaak door hetzelfde programma naar identieke cellen te kopiëren. Aangeleerd humanoïde gedrag kan potentieel schaalbaar zijn door een verbeterd beleid te verspreiden en vervolgens vlootgegevens te gebruiken om nieuwe faalgevallen te ontdekken.
Boston Dynamics zegt dat aangeleerd Atlas-gedrag kan worden hergebruikt in verschillende machineparken en ontwikkelt Atlas voor industriële taken zoals onderdelenvolgorde en materiaalverwerking. Het productprogramma voor 2026 omvat ook een samenwerking met Google DeepMind aan de basismodellen van Gemini Robotics. Bekijk het overzicht van de Atlas-evolutie van Boston Dynamics en de aankondiging van de samenwerking met Google DeepMind .
Het leren binnen de vloot brengt een nieuwe eis met zich mee: evaluatiediscipline. Een beleidsupdate die één taak verbetert maar elders tot problemen leidt, mag niet op grote schaal worden geïmplementeerd zonder regressietests.
| Oudere aanpak | Geïntegreerde AI-richting | Resultaat om naar te zoeken |
|---|---|---|
| Scripts en coördinaten gecorrigeerd. | Gesloten-lus visuele en proprioceptieve controle | Herstel na beweging van objecten of mislukte grepen |
| Eén beleidsregel per taak | Basismodellen en nazorg | Snellere aanpassing aan gerelateerde taken |
| Scheid lopen en manipulatie | Aangeleerde controle over het hele lichaam | Stabiele beweging en manipulatie gedurende langere taken |
| Kleine fysieke datasets | Echte data, simulatie en teleoperatie | Bredere dekking van randgevallen |
| Lokale taakscripts | Hiërarchisch redeneren plus VLA-uitvoering | Langere sequenties met zelfcorrectie |
| Afstemming van één robot | Cross-embodiment en vlootleren | Herbruikbare vaardigheden voor verschillende platforms en implementaties. |
De vooruitgang is reëel, maar er blijven diverse beperkingen die gemakkelijk onderschat kunnen worden.
Een model kan goed scoren in robotica-evaluaties en toch ongeschikt zijn voor veiligheidskritische toepassingen. De productbeschrijving van Google DeepMind's Gemini Robotics ER 2-model waarschuwt gebruikers expliciet om voorzichtig te zijn bij gebruik in productie-, commerciële of openbare omgevingen en stelt dat de robotica-modellen niet gebruikt mogen worden voor veiligheidskritische toepassingen waarbij een storing naar verwachting letsel, overlijden of materiële schade kan veroorzaken.
Het oppakken van dozen is veel eenvoudiger dan het hanteren van flexibele kabels, natte voorwerpen, vervormbare verpakkingen, strakke bevestigingsmiddelen of rommelige gereedschapsassemblages. Indrukwekkende demonstraties moeten daarom worden beoordeeld op de diversiteit en herhaalbaarheid van de taken, en niet alleen op hun visuele complexiteit.
Als elke afzonderlijke actie zeer betrouwbaar is, maar niet bijna perfect, kan een taak met tientallen of honderden afhankelijke acties nog steeds regelmatig mislukken. Daarom zijn succesdetectie, herstel en foutafhandeling net zo belangrijk als de pure nauwkeurigheid van de acties zelf.
Betere modellen kunnen zwakke handen, gebrekkige sensorische waarneming, oververhitte actuatoren, beperkte batterijduur, mechanische speling of moeilijk onderhoud niet oneindig compenseren. De bruikbaarheid van humanoïde robots hangt af van de gelijktijdige verbetering van zowel software als hardware.
De beste manier om belichaamde AI te evalueren, is door verder te kijken dan de kwaliteit van de demo en je af te vragen of de robot nuttiger wordt bij variatie. Een praktische zelfcontrole kan de volgende vragen omvatten:
Als er alleen vooruitgang wordt geboekt in zorgvuldig geënsceneerde demonstraties en niet in deze meetbare aspecten, moet het team de aanpak wijzigen – vaak door de taak te verkleinen, betere gegevens over fouten te verzamelen, de simulatiedekking te verbeteren, de controle op laag niveau te versterken of expliciete veiligheids- en herstellagen toe te voegen.
Geïntegreerde AI zorgt voor een revolutie in de humanoïde robotica, omdat het de manier verandert waarop robots vaardigheden verwerven en hergebruiken. De belangrijkste verschuiving is van het programmeren van elke beweging naar trainingssystemen die perceptie, taal, fysieke toestand, redenering en actie in een continue cyclus met elkaar verbinden.
Het sterkste bewijs in 2026 is niet dat humanoïde robots universeel inzetbaar zijn geworden. Het is eerder dat verschillende voorheen afzonderlijke technologieën – multimodale basismodellen, VLA-beleid, reinforcement learning, simulatie, behendige hardware, inferentie op het apparaat zelf en de inzet van vloten – samenkomen in coherente robotica-stacks.
Die convergentie maakt humanoïde robots aanpasbaarder en gemakkelijker te trainen, maar betrouwbare autonomie vereist nog steeds een zorgvuldige evaluatie in de exacte omgeving waar de robot zal werken. De volgende generatie zal minder worden beoordeeld op de vraag of een robot een verrassende demonstratie kan geven, en meer op de vraag of hij nuttig werk veilig kan herhalen, gewone fouten kan herstellen en kan verbeteren zonder constante handmatige herprogrammering.
Leer hoe chiplets, geavanceerde verpakkingstechnologie, AI-acceleratoren en siliciumcarbide de industrie hervormen en hoe je de technologie kunt beoordelen zonder je te laten meeslepen door de hype.
Ontdek hoe geïntegreerde AI, visie-taal-actiemodellen, simulatie en volledige lichaamsbesturing humanoïde robots aanpasbaarder maken – en waar de grenzen nog liggen.
Vergelijk gecentraliseerde ATC, UTM/U-space, corridors en hybride verkeersmanagement voor dichtbevolkte stedelijke luchtruimen, inclusief veiligheid, schaalbaarheid, veerkracht en afwegingen.
Leer hoe digitale tweelingen in de toeleveringsketen realtime data, simulaties en scenarioanalyses combineren om de zichtbaarheid, veerkracht en reactiesnelheid bij verstoringen te verbeteren.
Een praktische blik op het luchtruim, de grondknooppunten, de energievoorziening, de communicatie, de veiligheid en de maatschappelijke infrastructuur die nodig zijn om luchtvracht op grote schaal betrouwbaar te maken.
Hoe megasteden groene infrastructuur, stadsbossen, wetlands, groene daken en blauwgroene corridors kunnen inzetten om hitte- en overstromingsrisico's te verminderen.
Ontdek hoe UTM gedeelde vluchtintentie, strategische conflictbeheersing, conformiteitsmonitoring, tactische scheiding en zorgvuldig afgebakende AI combineert om dicht droneverkeer te beheren.
Ontdek hoe brein-computerinterfaces communicatie en controle herstellen, wat huidig onderzoek daadwerkelijk kan bereiken en welke veiligheids- en ethische vraagstukken er spelen.
Ontdek hoe fabrieken autonome systemen opschalen op het gebied van robotica, AMR's, AI, digitale threads, veiligheid en cyberbeveiliging aan de hand van een duidelijk gelabeld hypothetisch fabrieksvoorbeeld.
Vergelijk toonaangevende opleidingen op het gebied van BCI, neuro-engineering en neurotechnologie, van bachelor tot PhD, en ontdek wat je moet studeren voordat je je aanmeldt.
