Omgevingsproxy: een digitale oefenwereld voor slimme machines
Stel je een leerling-piloot voor. Voordat hij ooit een echt vliegtuig bestuurt, brengt hij honderden uren door in een vluchtsimulator: een nagebouwde cockpit die reageert alsof hij echt vliegt, compleet met stormen, motorstoringen en drukke luchthavens. Crasht hij, dan staat hij gewoon weer op en probeert het opnieuw. Een omgevingsproxy is in de kern hetzelfde principe, maar dan voor kunstmatige intelligentie, robots en zelfrijdende auto's: een kunstmatige, meestal digitale nabootsing van een echte omgeving waarin een systeem veilig kan oefenen, testen en leren voordat het de echte wereld ingaat.
Het woord zegt het eigenlijk al: 'proxy' betekent 'plaatsvervanger'. In plaats van dat een zelfrijdende auto meteen op de openbare weg leert rijden, of een magazijnrobot pas leert lopen tussen echte medewerkers, oefenen deze systemen eerst in een computersimulatie die de fysieke werkelijkheid zo goed mogelijk nabootst: zwaartekracht, wrijving, verkeer, licht, obstakels. Pas als het systeem in die nagebouwde wereld goed genoeg presteert, wordt het losgelaten op de echte omgeving. Deze aanpak is een van de stille motoren achter de snelle vooruitgang in robotica en zelfrijdende voertuigen van de afgelopen jaren.
Wat is het precies?
Het bouwen van een omgevingsproxy begint met een computermodel van de fysieke wereld: een 'physics engine' die berekent hoe objecten bewegen, botsen, vallen en wrijving ondervinden, net als in de echte natuurkunde. Daaromheen wordt een virtuele scène opgebouwd, bijvoorbeeld een magazijn, een stadsstraat of een fabriekshal, compleet met de sensoren die het echte systeem ook zou gebruiken: camera's, lidar (een soort laserradar) of afstandssensoren.
Een AI-systeem, bijvoorbeeld via een techniek die 'reinforcement learning' heet (leren door vallen en opstaan, waarbij goed gedrag wordt beloond), stuurt vervolgens acties naar deze virtuele omgeving alsof het de echte wereld is. De proxy-omgeving reageert daarop precies zoals de werkelijkheid zou doen, en geeft feedback terug: is de robot gevallen, heeft de auto een voetganger geraakt, is het pakket goed opgepakt? Op basis van die feedback past het systeem zijn gedrag aan, duizenden of miljoenen keren achter elkaar.
Het grote voordeel is snelheid: een simulatie kan sneller draaien dan de werkelijke tijd en op honderden computers tegelijk lopen, waardoor een systeem in enkele dagen evenveel 'ervaring' opdoet als het in jaren echt rijden of lopen zou opbouwen. Een nauw verwant begrip is de 'digital twin' (digitale tweeling): een virtuele kopie van één specifiek, bestaand object of gebouw die voortdurend wordt bijgewerkt met echte sensordata. Een omgevingsproxy is breder: het hoeft geen kopie van iets bestaands te zijn, als het maar realistisch genoeg is om nuttig te oefenen.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is veiligheid. Een zelfrijdende auto die in de proefperiode fouten maakt, mag dat honderdduizenden keren doen in een simulatie zonder dat er ooit iemand gewond raakt. Pas wanneer het systeem betrouwbaar genoeg is, gaat het de weg op. Datzelfde geldt voor een robotarm in een fabriek: liever duizend keer een virtueel object laten vallen dan één keer een echte, dure machine beschadigen.
Daarnaast speelt kostenbesparing een grote rol. Echte testkilometers, materiaalslijtage en menselijke testpersonen zijn duur; simulatie-uren zijn relatief goedkoop en oneindig herhaalbaar. Dat maakt het ook mogelijk om zeldzame, gevaarlijke situaties te oefenen die je in de praktijk bijna nooit tegenkomt, zoals een kind dat plotseling de weg oversteekt bij hevige regen, zonder dat daar ooit een echt risico aan verbonden is.
Ten slotte gaat het om reproduceerbaarheid: onderzoekers kunnen exact dezelfde situatie honderd keer herhalen om te begrijpen waarom een systeem faalt, iets wat in de onvoorspelbare echte wereld vrijwel onmogelijk is. Het einddoel is steeds hetzelfde: AI-systemen en robots sneller, goedkoper en vooral veiliger geschikt maken voor de echte wereld.
Voorbeelden uit de praktijk
Het bedrijf NVIDIA ontwikkelde met Isaac Sim, onderdeel van het bredere platform Omniverse (gelanceerd in 2019), een fotorealistische simulatieomgeving die door tal van roboticabedrijven wordt gebruikt om magazijn- en fabrieksrobots te trainen voordat ze een echte vloer betreden.
Zelfrijdende-autobedrijf Waymo (voortgekomen uit een Google-project) bouwde al vroeg een intern simulatiesysteem waarmee het dagelijks vele miljoenen kilometers virtueel 'rijdt', naast de fysieke testkilometers op de weg, om zeldzame verkeerssituaties te oefenen.
Onderzoekslab DeepMind gebruikt fysica-simulators zoals MuJoCo om robotarmen en gesimuleerde lichamen te laten leren lopen, grijpen en balanceren, lang voordat diezelfde algoritmes op echte hardware worden losgelaten.
Roboticapionier Boston Dynamics test en verfijnt de loopalgoritmes van robots als Atlas en Spot eerst uitgebreid in simulatie, om vervolgens de overstap naar de fysieke robot te maken.
Op stedelijk niveau bouwde Singapore vanaf 2018 aan Virtual Singapore, een digitale kopie van de hele stadstaat die wordt gebruikt om bijvoorbeeld zonlicht, wind en drukte te simuleren voor stadsplanning, een voorbeeld van hoe het proxy-principe ook buiten robotica wordt toegepast.
Hoe ver is de techniek?
Het simuleren van harde, stevige objecten en eenvoudige natuurkunde is inmiddels behoorlijk volwassen: dat werkt betrouwbaar en snel. Lastiger blijft het nabootsen van zachte materialen, vloeistoffen, stof, en vooral menselijk gedrag, dat notoir onvoorspelbaar is.
Het grootste en meest genoemde obstakel heet de sim-to-real gap: het verschil tussen simulatie en werkelijkheid. Een systeem dat perfect presteert in de nagebouwde wereld, kan in de echte wereld toch falen, omdat kleine details zoals precieze wrijving, sensor-ruis of lichtinval nooit helemaal exact worden nagebootst. Onderzoekers proberen dit gat te dichten met technieken als 'domain randomization', waarbij de simulatie bewust steeds net iets anders wordt gemaakt (andere kleuren, texturen, lichtval), zodat het systeem leert omgaan met variatie in plaats van zich blind te staren op één perfecte virtuele wereld.
Dankzij snellere computerchips, realistischere grafische technieken (zoals ray tracing, waarbij lichtstralen natuurkundig correct worden doorgerekend) en de opkomst van AI-modellen die zelf leren wat realistisch is, gaat de ontwikkeling momenteel snel. Toch blijft praktijkvalidatie in de echte wereld voorlopig noodzakelijk: volledig op simulatie vertrouwen, zonder ooit in de praktijk te testen, gebeurt in de praktijk vrijwel nergens. Er bestaat ook nog geen eenduidige, algemeen geaccepteerde maatstaf om te meten hoe 'goed' of 'realistisch' een omgevingsproxy eigenlijk is, wat onderzoek en onderlinge vergelijking bemoeilijkt.
Wie werken eraan?
Chipmaker en softwarebedrijf NVIDIA is met Omniverse en Isaac Sim een van de grootste aanjagers, mede dankzij zijn dominantie in de grafische rekenkracht die realistische simulaties mogelijk maakt. Onderzoekslab Google DeepMind publiceert veel invloedrijk onderzoek naar simulatie-gebaseerd leren voor robotica. Zelfrijdende-autobedrijven als Waymo en Tesla investeren zwaar in eigen simulatie-infrastructuur. Robotmaker Boston Dynamics combineert simulatie met fysieke testen in eigen laboratoria.
Op academisch vlak lopen universiteiten als MIT, Stanford, het Zwitserse ETH Zürich en in Nederland TU Delft voorop in onderzoek naar simulatie en sim-to-real-technieken. Industriële softwarebedrijven zoals Siemens en Dassault Systèmes richten zich vooral op digital twins voor fabrieken en infrastructuur. Daarnaast bestaan er samenwerkingsverbanden zoals het Digital Twin Consortium, waarin bedrijven en kennisinstellingen gezamenlijk standaarden proberen te ontwikkelen voor dit nog volop in beweging zijnde vakgebied.