Decenija velikih pomaka

Pre deset godina, Atlas kompanije Boston Dynamics bio je najprepoznatljiviji humanoid, poznat po tome što je često padao. Danas, ista ta mašina može da pleše, uzima predmete nepravilnog oblika iz posude, pa čak i da odgovori na glasovnu komandu poput „isprazni mašinu za pranje sudova“. Ovde nije reč o magiji; tri trenda su se podudarila kako bi ovo postalo moguće:

• Duboko učenje i učenje potkrepljivanjem (reinforcement learning) dali su robotima vizuelni „mozak“ i omogućili im da razviju strategije kontrole celog tela nakon miliona simuliranih pokreta.
• Proprioceptivni električni aktuatori, kvazi-direktni pogonski motori koje je uveo Sangbae Kim sa MIT-a, zamenili su tešku hidrauliku laganim, elastičnim motorima koji se istovremeno kreću i osećaju silu.
• Vision-Language-Action (VLA) modeli, poput „Helix-a“ Google DeepMind-a, prevode video zapise i upite na prirodnom jeziku u komande za kretanje, čime je eliminisan veći deo ručnog programiranja koje je ranije dominiralo softverom za robote.

Ovi napreci transformisali su glomaznog i nespretnog Atlasa sa DARPA Robotics Challenge-a iz 2015. godine u elegantnu i fluidnu verziju prikazanu u video snimcima početkom 2025. godine.

Kada se učenje sretne sa fizikom

Kontrola zasnovana na učenju odlična je u generisanju glatkog hoda i određivanju „šta“ treba uraditi, ali joj i dalje nedostaje ključni deo: eksplicitna kontrola sile. Kako kaže veteran robotike Pulkit Agrawal (MIT): „Da bismo imali robote koji rade poput ljudi, moramo ovladati fizikom.“

Kontrola sile podrazumeva regulisanje toga koliko jako robot gura, vuče ili steže objekat, slično pisanju po beloj tabli bez lomljenja vrha markera. Tradicionalni industrijski roboti to postižu tretirajući svoje ruke kao opruge i amortizere, uz dodavanje specijalizovanih senzora sile i izgradnju detaljnih modela robota, okruženja i samog zadatka.

Humanoidi su, međutim, tradicionalno imali krute ramove sa velikom inercijom. Čak i sa prilagodljivim aktuatorima, signal „sile“ često završi kao indirektni nusproizvod strategije zasnovane na poziciji koja je trenirana u simulaciji. Kako priznaje Scott Kuindersma (bivši član Boston Dynamics-a), „mislim da to nije potpuno rešeno“ na pitanje da li Atlas može pouzdano da se kreće kroz bilo koje stepenište ili vrata.

Pošto osnovna fizika nije deo samog cilja učenja, roboti i dalje imaju poteškoća sa:

• Hvatanjem delikatnih predmeta poput jaja, staklenog posuđa ili mekih tkanina bez njihovog oštećenja.
• Održavanjem stabilnog kontakta prilikom guranja vrata ili izvlačenja fioke, gde male greške u primeni sile mogu zaglaviti mehanizam.
• Prilagođavanjem interakcijama velike brzine; većina trenutnih sistema jednostavno usporava kako bi se osigurala od nepredviđenih sila.

Stavovi stručnjaka

„Sila kao primarni faktor je apsolutno neophodna“, kaže Kuindersma. „Ne postoji svet u kojem se korisni, autonomni humanoidni roboti oslanjaju isključivo na kontrolu zasnovanu na poziciji.“

Jonathan Hurst iz kompanije Agility Robotics se slaže: „Sa tačke gledišta AI-a, potreban vam je kvazi-direktni pogonski motor da biste se približili neophodnoj regulaciji sile, a zatim to ponavljate milion puta u simulaciji.“

Carolina Parada (DeepMind) primećuje da su VLA modeli iznenađujuće dobri u kretanju između zadatih položaja. „Iznenadilo nas je koliko daleko možete stići bez ikakvih drugih čula.“ Ipak, priznaje nedostatak: „Ljudi osećaju sile koje im se opiru kada pokušaju da otvore flašu. Humanoidi to, u većini slučajeva, i dalje ne osećaju.“

Russ Tedrake (MIT) se ne slaže sa pritužbama na hardver: „Ako biste ljudski mozak povezali sa današnjim hardverom putem teleoperacije, on bi bio neverovatno sposoban.“ On smatra da rešenje leži u pametnijim arhitekturama kontrole, a ne samo u boljim motorima.

Opšti konsenzus je jasan: novi taktilni senzori, povratne informacije o sili većeg propusnog opsega i režimi treninga koji uključuju fizičku interakciju, a ne samo čistu imitaciju položaja, predstavljaju sledeće granice istraživanja.

Put napred: Dodavanje sloja „dodira“

Nekoliko obećavajućih pravaca je već u toku:

• Taktilna percepcija: Nedavna istraživanja (Scholarpedia) ističu napredak u senzorima visoke gustine na vrhovima prstiju koji registruju trenje, pritisak i temperaturu, dajući robotima bogatiji osećaj kontakta.
• Učenje potkrepljivanjem uz prilagodljivost: Istraživači poput Agrawala treniraju strategije koje eksplicitno kažnjavaju prekomernu silu u simulaciji, težeći „mekom“ ponašanju koje se prenosi u stvarni svet.
• Hibridne arhitekture: Tedrakeovi „veliki modeli ponašanja“ predlažu kombinovanje naučenih strategija sa kontrolerima zasnovanim na fizici, omogućavajući sistemu da se osloni na petlju povratne sprege sile kada je potrebna precizna manipulacija.

Industrijski prototipovi već testiraju ove ideje. Na primer, „Helix“ VLA sistem koji je Figure AI najavio 2024. godine pokazuje da može da podigne hiljade predmeta iz domaćinstva, ali se u demonstraciji napominje da je „rukovanje uz svest o sili“ još uvek u fazi razvoja.

U bliskoj budućnosti, verovatno ćemo videti robote koji briljiraju u grubim motoričkim zadacima, kao što su penjanje uz stepenice, nošenje paketa ili otvaranje standardnih vrata, dok će se i dalje kretati sporo ili zahtevati ljudski nadzor za krhke, visokoprecizne poslove. Kako hardver postaje lakši, a senzori jeftiniji, jaz između „laboratorijske demonstracije“ i „svakodnevnog pomagača“ će se smanjivati.

Zaključak

Humanoidni roboti su napravili ogroman iskorak u percepciji, kretanju i planiranju vođenom jezikom, ali ih nemogućnost da pouzdano osete i regulišu silu sprečava da savladaju „sitne detalje“ koji definišu svakodnevni život. Sledeći talas prodora verovatno će doći iz uparivanja prilagodljivih aktuatora, taktilnih povratnih informacija visoke rezolucije i metoda treninga koji uče robote fizici kontakta – ne samo gde da se pomere, već i koliko jako da pritisnu.

Do tada, obećanje o kućnom pomoćniku koji može da otvori vrata bez posrtanja ostaje inspirativna vizija, ali još uvek ne i potpuna stvarnost.