TL;DR
- Wat: PhysisForcing is een nieuw trainingsframework dat videosimulaties van robots fysisch realistischer maakt, zodat bewegingen en interacties met objecten kloppen met de echte wereld.
- Waarom relevant: Betrouwbare simulaties verkorten de tijd en kosten om robots in te zetten — interessant voor maakbedrijven die robotisering overwegen.
- Wat je ermee kunt: Volg de ontwikkeling van world models als je overweegt te investeren in robotisering; de sim-to-real-kloof wordt kleiner.
Ik stuitte op een paper die me deed stilstaan: PhysisForcing, een framework dat videosimulaties van robotarmen een stuk levensechter maakt. Dat klinkt misschien als een academisch detail, maar voor iedereen die nadenkt over robotisering in het bedrijf is dit een ontwikkeling die de moeite waard is om te volgen.
Wat is PhysisForcing precies?
PhysisForcing is een trainingsframework ontwikkeld door een internationaal team van onderzoekers, gepubliceerd op arXiv (paper 2606.28128). Het richt zich op een heel specifiek probleem: als je een AI-model video's laat genereren van een robotarm die een object oppakt, verplaatst of neerzet, dan zien die video's er op het eerste gezicht goed uit — maar bij nader inzien klopt de fysica vaak niet.
Denk aan een robotarm die dwars door een object heen beweegt. Of een beker die zweeft terwijl hij allang had moeten vallen. Dat soort fouten maakt zo'n simulatie onbruikbaar als je er daadwerkelijk een robot mee wilt trainen.
PhysisForcing pakt dit probleem aan met wat de onderzoekers "dual-level supervision" noemen — toezicht op twee niveaus:
- Op pixelniveau: het systeem volgt referentiepunten in de video om te controleren of bewegingen vloeiend en consistent zijn.
- Op semantisch niveau: het controleert of de relaties tussen objecten en robot logisch blijven, met behulp van een apart AI-model dat video's "begrijpt".
Voor de niet-technische lezer: stel je voor dat je een tekenfilm maakt van een robotarm. PhysisForcing is als een strenge regisseur die zowel kijkt of elke frame er goed uitziet (pixelniveau) als of het verhaal klopt — dat de arm niet plotseling door een tafel heen grijpt (semantisch niveau).
De resultaten: wat leveren die verbeteringen op?
De onderzoekers testten PhysisForcing op twee bestaande AI-modellen: het Wan2.2-model en NVIDIA's Cosmos3-Nano. De uitkomsten:
- 22,3% verbetering op de R-Bench-score voor het Wan2.2-model
- 9,2% verbetering voor Cosmos3-Nano
- De slagingskans in een zogenaamde closed-loop test — waarbij de robot herhaaldelijk taken uitvoert op basis van de simulatie — steeg van 16,0% naar 24,0%
Nu is 24% slagingskans nog niet iets waar je morgen je productielijn op inricht. Maar wat mij opvalt, is de richting. Een half jaar geleden zag je dit soort simulaties nauwelijks een kwart van de taken goed uitvoeren. Dat het framework bovenop bestaande modellen kan worden gelegd — zonder ze helemaal opnieuw te trainen — maakt het extra interessant.
Waarom dit ertoe doet: de sim-to-real-kloof
Een van de grootste obstakels bij het inzetten van robots is de zogenaamde sim-to-real gap: het verschil tussen hoe een robot zich gedraagt in een simulatie en hoe hij functioneert in de echte wereld. Hoe groter dat verschil, hoe meer handmatig testen, bijstellen en finetunen er nodig is — en dat kost tijd en geld.
Wat PhysisForcing doet, is die kloof verkleinen aan de simulatiekant. Als de simulatie fysisch realistischer is, hoef je minder te corrigeren als de robot straks daadwerkelijk aan het werk gaat.
Dit past in een bredere trend. NVIDIA lanceerde eerder dit jaar Cosmos 3.0, een platform voor dit soort "world models". Bedrijven als ABB Robotics werken samen met NVIDIA om simulaties zo realistisch te maken dat wat in de digitale omgeving werkt, ook op de fabrieksvloer functioneert. PhysisForcing is een bouwsteentje in diezelfde beweging.
Wat betekent dit voor Nederlandse ondernemers?
Ik vind het eerlijk gezegd bijzonder hoe snel dit veld beweegt, zeker als je het afzet tegen de Nederlandse context. TNO waarschuwde eerder dit jaar dat de Nederlandse maakindustrie zonder verdere robotisering binnen tien jaar in de problemen komt. Volgens NL Robotics heeft slechts 6% van de Nederlandse bedrijven meer dan 60% van hun productieproces geautomatiseerd — terwijl 58% verwacht dat binnen vijf jaar wél te hebben gedaan.
Dat is een enorme kloof tussen ambitie en realiteit. En precies daar worden ontwikkelingen als PhysisForcing relevant. Stel dat je als MKB-ondernemer in de maakindustrie overweegt om een cobot of robotarm aan te schaffen. Vandaag de dag is het instellen en programmeren van zo'n robot nog arbeidsintensief. Je moet de robot fysiek laten oefenen, bijsturen, opnieuw proberen.
Maar als simulaties steeds realistischer worden, kun je straks een groot deel van dat werk digitaal doen. De robot traint in een virtuele omgeving die de echte wereld nauwkeurig nabootst, en als hij eenmaal op de werkvloer staat, werkt hij (bijna) meteen goed. Dat verlaagt de drempel — in tijd, in kosten, en in de technische kennis die je nodig hebt.
Kun je je voorstellen wat dat betekent als je kleine series produceert? Juist bij series van tien tot honderd stuks — precies het segment waar veel Nederlandse maakbedrijven in zitten — is het nu vaak niet rendabel om een robot in te zetten. Als de insteltijd drastisch daalt dankzij betere simulaties, verschuift die rekensom.
De beperkingen: we zijn er nog niet
Ik wil wel nuanceren: PhysisForcing is een onderzoekspaper, geen kant-en-klaar product. De slagingskans van 24% in closed-loop tests laat zien dat er nog een lange weg te gaan is voordat je hier blind op kunt varen. De onderzoekers zelf identificeren dat de problemen vooral optreden bij contactmomenten — het moment dat een robotgrijper een object raakt en moet manipuleren.
Dat is ook logisch. Contactfysica — hoe objecten vervormen, schuiven, kantelen — is ongelooflijk complex. Ik denk dat we de komende jaren nog veel iteraties zullen zien voordat dit soort simulaties betrouwbaar genoeg is voor productieomgevingen.
Bovendien moet ik eerlijk zeggen: ik heb geen onafhankelijke verificatie van de resultaten kunnen vinden buiten de paper zelf. Het onderzoek is pas net gepubliceerd. Dat betekent niet dat de claims onbetrouwbaar zijn, maar wel dat het goed is om dit als vroeg onderzoek te zien.
Een stille verschuiving
Voor mij is dit vooral een signaal dat de wereld van robotica aan het kantelen is — van hardware-gedreven naar software-gedreven. De robot zelf wordt steeds meer een uitvoerder; de intelligentie zit steeds meer in de simulatie, het model, het digitale voorwerk. Dat is een verschuiving die misschien niet spectaculair klinkt, maar die op termijn bepaalt hoe toegankelijk robotisering wordt voor het MKB. En dat vind ik een ontwikkeling die het volgen waard is.