Prvý júlový týždeň 2025 priniesol významný prelom v oblasti umelej inteligencie a robotiky, keď výskumníci predviedli stroje s bezprecedentnou schopnosťou anticipovať pohyby a prispôsobovať stratégie v dynamickom prostredí.
V centre tohto pokroku stojí ANYmal-D, štvornohý robot vyvinutý na ETH Zürich, ktorý dokáže autonómne hrať bedminton s ľudskými súpermi. Robot využíva inovatívny riadiaci systém poháňaný posilňovacím učením, ktorý mu umožňuje sledovať, predvídať a zručným spôsobom vracať košíky. Jeho sofistikovaný „mozog“ mu dovoľuje sledovať trajektóriu košíka, predvídať jeho dráhu a pohybovať sa rýchlo po ihrisku, aby ho zachytil a vrátil. Tento úspech, podrobne opísaný v časopise Science Robotics, ukazuje potenciál nasadenia štvornohých robotov v dynamických úlohách vyžadujúcich presné vnímanie a rýchle, celotelové reakcie.
Robot je vybavený stereo kamerou na vizuálne vnímanie a dynamickou rukou na držanie bedmintonovej rakety, čo si vyžaduje presnú synchronizáciu vnímania, pohybu a práce paže. Výskumníci systém trénovali pomocou posilňovacieho učenia, vďaka čomu si robot osvojil efektívne stratégie prostredníctvom experimentovania a interakcie s prostredím. V testoch proti ľudským hráčom ANYmal-D preukázal schopnosť efektívne sa pohybovať po ihrisku, vracať údery rôznou rýchlosťou a pod rôznymi uhlami a udržiavať výmeny až do 10 po sebe idúcich úderov.
Tento prelom predstavuje viac než len technologickú zaujímavosť. Štvornohý robot využíva videnie, senzorické dáta a strojové učenie na anticipáciu pohybov a prispôsobovanie stratégie, čím naznačuje budúcnosť spolupráce človeka a robota v športe a tréningu. Projekt spája fyzickú robotiku s pokročilým AI uvažovaním, čím otvára nové možnosti pre stroje, ktoré môžu pracovať po boku ľudí v zložitých a nepredvídateľných prostrediach.
Robotici dosiahli zásadné pokroky v tom, ako sa roboty učia a prispôsobujú. Kľúčovým pokrokom je kombinovanie rôznych typov dát tak, aby boli pre roboty užitočné. Výskumníci napríklad môžu zbierať dáta od ľudí vykonávajúcich úlohy so senzormi, kombinovať ich s teleoperačnými dátami z ovládania robotických ramien a doplniť ich internetovými obrázkami a videami ľudí vykonávajúcich podobné činnosti. Spájaním týchto dát do nových AI modelov získavajú roboty obrovský náskok oproti tým, ktoré sú trénované tradičnými metódami. Vidieť viacero spôsobov, ako vykonať jednu úlohu, uľahčuje AI modelom improvizovať a určovať vhodné ďalšie kroky v reálnych situáciách. Ide o zásadnú zmenu v spôsobe učenia robotov.
Toto je významný aspekt dnešnej AI výroby. Prelomy v posilňovacom učení umožnili fyzickým robotom rozhodovať sa a vykonávať zložité fyzické úlohy – od vešania tričiek na vešiaky až po prípravu cesta na pizzu. Toto prepojenie generatívnej AI a robotov radikálne rozšírilo možnosti ich využitia v podnikaní, zdravotníctve, vzdelávaní a zábave, čo naznačuje budúcnosť, v ktorej sa inteligentné stroje bezproblémovo začlenia do nášho každodenného života.