Een robot die iets fout doet, hoef je straks niet meer te volgen met een laptop of controller. Onderzoekers ontwikkelden RoboPocket: een systeem waarmee je robotgedrag corrigeert via een gewone smartphone — zonder dat er überhaupt een fysieke robot aanwezig is.
Het probleem dat RoboPocket oplost, is bekend in de robotica. Het opschalen van robotisch leren stuit vaak op twee knelpunten: er is te weinig data beschikbaar, en die data is zelden gericht op de zwakke punten van een specifieke robot. Traditionele handheld-interfaces zijn bovendien 'open-loop': gebruikers nemen demonstraties op zonder feedback over hoe de huidige software van de robot zou reageren. Volgens een wetenschappelijke publicatie op arxiv.org kost dat veel onnodige tijd en moeite.
Zien wat de robot gaat doen
RoboPocket draait die logica om. Het systeem combineert de sensoren, het display en de communicatiemogelijkheden van een smartphone met cloud-gebaseerde inferentie. Het kernonderdeel heet 'AR Visual Foresight': via augmented reality ziet de gebruiker in beeld welke beweging de robot voorspelt uit te voeren.
Dat verandert alles. De operator ziet precies waar de robot de fout ingaat en levert gericht correctieve data aan — in plaats van blindelings nieuwe demonstraties te verzamelen. Het proces bootst interactieve methoden zoals DAgger na, maar zonder de risico's en kosten van een imperfecte robot die daadwerkelijk door een fysieke omgeving beweegt. Dat maakt de training veiliger én makkelijker schaalbaar.
Correcties binnen enkele minuten verwerkt
De techniek erachter is een asynchrone pijplijn voor finetuning. Correcties die via de smartphone worden ingevoerd, worden binnen enkele minuten verwerkt en in het beleid van de robot geïntegreerd. Uit tests met diverse manipulatietaken in de echte wereld blijkt dat deze online correctieve dataverzameling de steekproefefficiëntie tot wel twee keer zo groot maakt in vergelijking met het simpelweg opschalen van offline demonstraties.
Het onderzoek is geaccepteerd voor de conferentie CoRL 2026. De auteurs — onder wie Junjie Fang, Wendi Chen en Han Xue — benadrukken dat de combinatie van on-device sensing en cloud-computing essentieel is voor deze real-time feedbackloop.
De smartphone als precisie-instrument
RoboPocket past in een bredere trend: complexe processen verschuiven naar het mobiele apparaat. In andere sectoren is die verschuiving al ver gevorderd. Zo laat de bankapp van Capitec in de Google Play Store gebruikers volledig digitaal bankieren.
Ook in de entertainmentindustrie doen smartphones zwaar werk. Het spel Kingshot is daar een voorbeeld van.
Waar bankapps en games zich richten op gemak en entertainment, gaat RoboPocket een stap verder: de smartphone wordt een precisie-instrument voor robotica-engineering. Door de fysieke robot uit de trainingslus te halen en te vervangen door een AR-interface, daalt de drempel voor het optimaliseren van robotgedrag aanzienlijk.
🧠 Even simpel uitgelegd
Stel dat je iemand leert fietsen, maar je mag pas feedback geven als diegene al valt. Dat is hoe robots nu vaak getraind worden: eerst data verzamelen, daarna pas kijken wat er misging. RoboPocket doet het anders. Op je telefoon zie je in augmented reality wat de robot van plan is — als een soort glazen bol. Zie je dat de beweging fout afloopt? Dan corrigeer je direct, zonder dat de robot ooit echt de fout in hoeft te gaan. Zo leert de robot sneller, met minder pogingen en zonder schade.