Skylark Labs brings on Giuseppe Loianno, a top robotics researcher, to build Almanac — a world model designed to Continuously Self-Learn

In dit artikel:

Skylark Labs gaat een meerjarig onderzoeksprogramma starten met Giuseppe Loianno, universitair hoofddocent elektrotechniek en computerwetenschappen aan UC Berkeley en expert in autonome drones. Loianno treedt daarnaast toe tot de technische adviesraad van het bedrijf. Samen ontwikkelen ze Almanac, een zogenoemd Continual Field-Adaptive Model (CFAM) voor robots.

Almanac moet robots niet alleen laten herkennen wat er om hen heen gebeurt, maar ook laten voorspellen wat de gevolgen van een actie zijn. Dat vormt een aanvulling op vision-language-actionmodellen, die vooral instructies vertalen naar bewegingen. Een wereldmodel kan meerdere korte handelingsplannen simuleren, onveilige opties afwijzen en na iedere stap opnieuw plannen op basis van sensordata.

De kern van het project is dat het model zich na ingebruikname op de robot blijft aanpassen. Slijtage, veranderende belading en wisselende ondergronden kunnen ervoor zorgen dat een vooraf getraind model minder betrouwbaar wordt. Almanac vergelijkt daarom voortdurend de voorspelde uitkomst met de werkelijke positie van de robot. Terugkerende afwijkingen kunnen tijdelijk in het robotgeheugen worden opgeslagen en later gecontroleerd in het basismodel worden verwerkt.

Skylark Labs richt zich op robots die vaak zonder cloudverbinding, netwerk of menselijke operator werken. Almanac is niet bedoeld als vervanging van bestaande veiligheidsmaatregelen, zoals botsingsdetectie, gecertificeerde regelaars en noodstops. Het onderzoek moet juist uitwijzen of continu bijgewerkte voorspellingen robots veiliger en langdurig zelfstandiger kunnen maken in complexe, veranderende omgevingen. Loianno brengt ervaring mee met autonome lucht- en grondrobots die perceptie, planning en besturing op het apparaat zelf uitvoeren.