Kratak odgovor: Roboti koriste umjetnu inteligenciju za pokretanje kontinuiranog niza osjećanja, razumijevanja, planiranja, djelovanja i učenja, kako bi se mogli sigurno kretati i raditi u pretrpanim, promjenjivim okruženjima. Kada senzori postanu bučni ili samopouzdanje padne, dobro osmišljeni sustavi usporavaju, sigurno se zaustavljaju ili traže pomoć umjesto da nagađaju.
Ključne zaključke:
Petlja autonomije: Izgradite sustave oko osvijesti-razumi-planiraj-djeluj-uči, a ne oko jednog modela.
Robusnost: Dizajn otporan na odsjaj, nered, klizanje i nepredvidivo kretanje ljudi.
Neizvjesnost: Izražavajte samopouzdanje i koristite ga za poticanje sigurnijeg, konzervativnijeg ponašanja.
Sigurnosni zapisnici: Zabilježite radnje i kontekst kako bi se kvarovi mogli provjeravati i ispravljati.
Hibridni stog: Kombinirajte strojno učenje s fizičkim ograničenjima i klasičnim upravljanjem za pouzdanost.
U nastavku slijedi pregled kako se umjetna inteligencija pojavljuje unutar robota kako bi oni učinkovito funkcionirali.
Članci koje biste možda željeli pročitati nakon ovog:
🔗 Kad Elon Muskovi roboti ugrožavaju radna mjesta
Što bi Teslini roboti mogli raditi i koje bi se uloge mogle promijeniti.
🔗 Što je humanoidni robot AI
Naučite kako humanoidni roboti percipiraju, kreću se i slijede upute.
🔗 Koje će poslove zamijeniti umjetna inteligencija
Uloge koje su najviše izložene automatizaciji i vještine koje ostaju vrijedne.
🔗 Poslovi i buduće karijere u području umjetne inteligencije
Današnji karijerni putevi u području umjetne inteligencije i kako umjetna inteligencija mijenja trendove zapošljavanja.
Kako roboti koriste umjetnu inteligenciju? Brzi mentalni model
Većina robota s umjetnom inteligencijom slijedi petlju poput ove:
-
Osjet 👀: Kamere, mikrofoni, LiDAR, senzori sile, enkoderi kotača itd.
-
Razumjeti 🧠: Detektirati objekte, procijeniti položaj, prepoznati situacije, predvidjeti kretanje.
-
Planirajte 🗺️: Odaberite ciljeve, izračunajte sigurne puteve, rasporedite zadatke.
-
Djelujte 🦾: Generirajte motoričke naredbe, hvatajte se, kotrljajte se, balansirajte, izbjegavajte prepreke.
-
Učite 🔁: Poboljšajte percepciju ili ponašanje iz podataka (ponekad online, često offline).
Velik dio robotske "umjetne inteligencije" zapravo je skup dijelova koji rade zajedno -percepcija, procjena stanja, planiranjei kontrola- koji zajedno čine autonomiju.
Jedna praktična „terenska“ realnost: težak dio obično nije natjerati robota da nešto napravi jednom u čistoj demonstraciji - već ga natjerati da pouzdano kada se osvjetljenje promijeni, kotači proklizaju, pod se sjaji, police se pomaknu i ljudi hodaju poput nepredvidivih NPC-ova.
Što čini dobar AI mozak za robota
Čvrsta postavka umjetne inteligencije robota ne bi trebala biti samo pametna - trebala bi biti pouzdana u nepredvidivim, stvarnim okruženjima.
Važne karakteristike uključuju:
-
Izvedba u stvarnom vremenu ⏱️ (pravovremenost je važna za donošenje odluka)
-
Otpornost na neuredne podatke (odsjaj, šum, nered, zamućenje pokreta)
-
Ugodni načini kvara 🧯 (usporite, sigurno se zaustavite, zatražite pomoć)
-
Dobri prethodni rezultati + dobro učenje (fizika + ograničenja + strojno učenje - ne samo "vibre")
-
Mjerljiva kvaliteta percepcije 📏 (znanje kada su senzori/modeli degradirani)
Najbolji roboti često nisu oni koji mogu izvesti neki blještavi trik jednom, već oni koji mogu dobro obavljati dosadne poslove iz dana u dan.
Tablica usporedbe uobičajenih gradivnih blokova umjetne inteligencije robota
| AI dio / alat | Za koga je namijenjeno | Prilično skupo | Zašto to funkcionira |
|---|---|---|---|
| Računalni vid (detekcija objekata, segmentacija) 👁️ | Mobilni roboti, ruke, dronovi | Srednji | Pretvara vizualni ulaz u upotrebljive podatke poput identifikacije objekta |
| SLAM (mapiranje + lokalizacija) 🗺️ | Roboti koji se kreću okolo | Srednje-visoko | Izrađuje kartu dok prati položaj robota, što je ključno za navigaciju [1] |
| Planiranje puta + izbjegavanje prepreka 🚧 | Botovi za dostavu, skladišni AMR-ovi | Srednji | Izračunava sigurne rute i prilagođava se preprekama u stvarnom vremenu |
| Klasična regulacija (PID, regulacija temeljena na modelu) 🎛️ | Sve što ima motore | Nisko | Osigurava stabilno i predvidljivo kretanje |
| Učenje s potkrepljenjem (RL) 🎮 | Složene vještine, manipulacija, kretanje | Visoko | Uči putem politika pokušaja i pogrešaka vođenih nagradama [3] |
| Govor + jezik (ASR, namjera, LLM) 🗣️ | Asistenti, servisni roboti | Srednje-visoko | Omogućuje interakciju s ljudima putem prirodnog jezika |
| Otkrivanje + praćenje anomalija 🚨 | Tvornice, zdravstvo, sigurnosno kritično | Srednji | Otkriva neobične obrasce prije nego što postanu skupi ili opasni |
| Fuzija senzora (Kalmanovi filteri, naučena fuzija) 🧩 | Navigacija, dronovi, sustavi za autonomiju | Srednji | Spaja izvore podataka s šumom za točnije procjene [1] |
Percepcija: Kako roboti pretvaraju sirove podatke senzora u značenje
Percepcija je mjesto gdje roboti pretvaraju senzorske tokove u nešto što zapravo mogu koristiti:
-
Kamere → prepoznavanje objekata, procjena poze, razumijevanje scene
-
LiDAR → udaljenost + geometrija prepreke
-
Dubinske kamere → 3D struktura i slobodni prostor
-
Mikrofoni → govorni i zvučni znakovi
-
Senzori sile/momenta → sigurnije hvatanje i suradnja
-
Taktilni senzori → detekcija klizanja, kontaktni događaji
Roboti se oslanjaju na umjetnu inteligenciju kako bi odgovorili na pitanja poput:
-
„Koji su predmeti ispred mene?“
-
„Je li to osoba ili lutka?“
-
"Gdje je ručka?"
-
„Kreće li se nešto prema meni?“
Suptilni, ali važan detalj: sustavi percepcije idealno bi trebali davati izlaz nesigurnosti (ili pokazatelja pouzdanosti), a ne samo odgovora da/ne - jer daljnje planiranje i sigurnosne odluke ovise o tome koliko je robot siguran
Lokalizacija i mapiranje: Znajte gdje se nalazite bez panike
Robot mora znati gdje se nalazi da bi ispravno funkcionirao. To se često rješava putem SLAM-a (Simultane lokalizacije i mapiranja): izgradnja karte uz istovremenu procjenu položaja robota. U klasičnim formulacijama, SLAM se tretira kao probabilistički problem procjene, s uobičajenim obiteljima koje uključuju pristupe temeljene na EKF-u i pristupe temeljene na filteru čestica. [1]
Robot obično kombinira:
-
Odometrija kotača (osnovno praćenje)
-
Usklađivanje LiDAR skeniranja ili vizualne orijentacijske točke
-
IMU-ovi (rotacija/ubrzanje)
-
GPS (na otvorenom, s ograničenjima)
Roboti se ne mogu uvijek savršeno lokalizirati - stoga se dobri skladištari ponašaju poput odraslih: prate nesigurnost, otkrivaju odstupanja i vraćaju se sigurnijem ponašanju kada samopouzdanje padne.
Planiranje i donošenje odluka: Odabir sljedećeg koraka
Nakon što robot stekne upotrebljivu sliku svijeta, mora odlučiti što će učiniti. Planiranje se često pojavljuje u dva sloja:
-
Lokalno planiranje (brzi refleksi) ⚡
Izbjegavajte prepreke, usporite u blizini ljudi, pratite trake/koridore. -
Globalno planiranje (šira slika) 🧭
Odaberite odredišta, zaobiđite blokirana područja, rasporedite zadatke.
U praksi, ovdje robot pretvara „Mislim da vidim čist put“ u konkretne naredbe kretanja koje neće zakačiti za kut police ili upasti u ljudski osobni prostor.
Kontrola: Pretvaranje planova u glatko kretanje
Kontrolni sustavi pretvaraju planirane akcije u stvarno kretanje, istovremeno se baveći smetnjama iz stvarnog svijeta poput:
-
Trenje
-
Promjene korisnog tereta
-
Gravitacija
-
Kašnjenja i povratni udar motora
Uobičajeni alati uključuju PID, upravljanje temeljeno na modelu, prediktivno upravljanje modelomi inverznu kinematiku za ruke - tj. matematiku koja pretvara "stavi hvataljku tamo" u pokrete zglobova. [2]
Koristan način razmišljanja o tome:
Planiranje odabire put.
Upravljanje omogućuje robotu da ga zapravo slijedi bez klimanja, prebrzog kretanja ili vibriranja poput kolica za kupovinu s kofeinom.
Učenje: Kako se roboti poboljšavaju umjesto da budu zauvijek reprogramirani
Roboti se mogu poboljšati učenjem iz podataka umjesto ručnim podešavanjem nakon svake promjene okruženja.
Ključni pristupi učenju uključuju:
-
Nadzirano učenje 📚: Učite iz označenih primjera (npr. „ovo je paleta“).
-
Samonadgledano učenje 🔍: Učenje strukture iz sirovih podataka (npr. predviđanje budućih okvira).
-
Učenje s potkrepljenjem 🎯: Učenje radnji maksimiziranjem signala nagrade tijekom vremena (često uokvireno agentima, okruženjima i povratima). [3]
Gdje RL blista: učenje složenih ponašanja gdje je ručno dizajniranje kontrolera mukotrpno.
Gdje RL postaje začinjen: učinkovitost podataka, sigurnost tijekom istraživanja i praznine između simulacije i stvarnog svijeta.
Interakcija čovjeka i robota: Umjetna inteligencija koja pomaže robotima u radu s ljudima
Za robote u domovima ili na radnim mjestima, interakcija je važna. Umjetna inteligencija omogućuje:
-
Prepoznavanje govora (zvuk → riječi)
-
Detekcija namjere (riječi → značenje)
-
Razumijevanje gestikulacije (pokazivanje, govor tijela)
Ovo zvuči jednostavno dok se ne shvati: ljudi su nedosljedni, naglasci se razlikuju, sobe su bučne, a „tamo“ nije koordinatni sustav.
Povjerenje, sigurnost i „Nemojte biti jezivi“: Manje zabavan, ali bitan dio
Roboti su AI sustavi s fizičkim posljedicama, stoga se povjerenje i sigurnosne prakse ne smiju zanemariti.
Praktične sigurnosne skele često uključuju:
-
Praćenje pouzdanosti/nesigurnosti
-
Konzervativno ponašanje kada se percepcija pogoršava
-
Zapisivanje radnji za otklanjanje pogrešaka i revizije
-
Jasne granice onoga što robot može učiniti
Koristan način za definiranje ovoga na visokoj razini je upravljanje rizicima: upravljanje, mapiranje rizika, njihovo mjerenje i upravljanje njima tijekom cijelog životnog ciklusa - usklađeno s načinom na koji NIST strukturira upravljanje rizicima umjetne inteligencije u širem smislu. [4]
Trend „velikih modela“: Roboti koji koriste temeljne modele
Temeljni modeli usmjereni su prema općenitijem ponašanju robota - posebno kada se jezik, vid i djelovanje modeliraju zajedno.
Jedan primjer smjera su vid-jezik-akcija (VLA) , gdje se sustav obučava da poveže ono što vidi + ono što mu je rečeno da učini + koje radnje treba poduzeti. RT-2 je često citiran primjer ovog pristupa. [5]
Uzbudljivi dio: fleksibilnije razumijevanje na višoj razini.
Provjera stvarnosti: pouzdanost fizičkog svijeta i dalje zahtijeva zaštitne ograde - klasična procjena, sigurnosna ograničenja i konzervativna kontrola ne nestaju samo zato što robot može „pametno govoriti“.
Završne napomene
Dakle, kako roboti koriste umjetnu inteligenciju? Roboti koriste umjetnu inteligenciju za percipiranje, procjenu stanja (gdje se nalazim?), planiranjei kontrolu- a ponekad i za učenje iz podataka radi poboljšanja. Umjetna inteligencija omogućuje robotima da se nose sa složenošću dinamičkih okruženja, ali uspjeh ovisi o pouzdanim, mjerljivim sustavima s ponašanjem koje je na prvom mjestu sigurnost.
Primjer iz stvarnog svijeta: Izrada AI asistenta za skladišnog robota
Scenarij
Zamislite malo skladište za ispunjavanje narudžbi koje koristi autonomnog mobilnog robota za premještanje zatvorenih vrećica s mjesta za pakiranje u područje otpreme. Robot ne mora "razumjeti sve". Mora pouzdano obavljati jedan posao: prikupiti vrećicu, kretati se zajedničkim prolazom, izbjegavati ljude i paletne viličare te se sigurno zaustaviti kada samopouzdanje padne.
AI paket bi kombinirao računalni vid, LiDAR, SLAM, planiranje puta, izbjegavanje prepreka i osnovne jezične upute osoblja. Nadzornik bi mogao reći: „Odnesi ovu torbu u dispečerski prostor 3“, ali robotu su i dalje potrebna čvrsta sigurnosna pravila ispod jezičnog sloja.
Ovo je snažan primjer jer pokazuje da robotska umjetna inteligencija radi kao praktični stog, a ne kao jedan divovski model koji nagađa.
Što asistentu treba
Za postavljanje bi bilo potrebno:
-
Karta skladišta, uključujući klupe za pakiranje, otpremne rampe, zabranjene zone, mjesta za punjenje i uske prolaze
-
Podaci s kamere ili dubinske kamere za prepoznavanje torbi, ljudi, oznaka na podu i blokiranih ruta
-
LiDAR ili neki drugi senzor udaljenosti za detekciju prepreka
-
Podaci enkodera kotača i IMU-a za lokalizaciju
-
Pravila za ograničenja brzine, zaustavni put i ponašanje sigurno za ljude
-
Popis zadataka iz skladišnog sustava, kao što su ID torbe, mjesto preuzimanja i odredište
-
Zapisnici koji bilježe rutu, ocjene pouzdanosti, zaustavljanja, zamalo promašene situacije i ljudske intervencije
Ključna je stvar da jezična naredba nikada ne bi trebala biti jedini sloj upravljanja. Robot može prihvaćati naredbe prilagođene ljudima, ali kretanje bi i dalje trebalo biti određeno mapiranjem, planiranjem, kontrolom i sigurnosnim ograničenjima.
Primjer upute
Jednostavne upute za uporabu robotskog asistenta mogle bi izgledati ovako:
Vi ste asistent za zadatke mobilnog robota u skladištu. Vaš je posao pretvoriti zahtjeve osoblja u zadatke sigurnog kretanja. Zadatak stvarajte samo kada su točka preuzimanja, odredište i ID torbe jasni. Ako nedostaje bilo koji detalj, postavite jedno kratko pojašnjenje. Nikada ne izmišljajte lokacije. Ako je ruta blokirana, odaberite odobrenu alternativnu rutu ako postoji. Ako samopouzdanje percepcije padne ispod sigurnog praga, usporite, zaustavite se ili zatražite ljudsku pomoć. Zabilježite svako neuspješno preuzimanje, blokiranu rutu, zaustavljanje u nuždi i ručno poništavanje.
Zahtjev osoblja može biti:
Premjestite torbu T-1842 s pakirnog mjesta 6 u otpremni prostor 3.
Dobar odgovor bi bio:
Zadatak prihvaćen: prikupiti torbu T-1842 s pakirnog mjesta 6 i dostaviti je u otpremni prostor 3. Odabrana ruta kroz prolaz B. Brzina je ograničena u blizini pješačkog prijelaza. Ako je prolaz B blokiran, koristiti odobrenu rezervnu rutu C.
Loš odgovor bi bio:
Naravno, odnijet ću to na dostavu.
Loša verzija je previše nejasna. Ne potvrđuje ID torbe, mjesto preuzimanja, odredište, rutu ili sigurnosno ponašanje.
Kako to testirati
Prije nego što pustite robota da radi u prolazu pod naponom, testirajte ga pomoću malog popisa za provjeru:
-
Zamolite ga da premjesti torbu s potpunim detaljima
-
Zamolite ga da premjesti torbu bez davanja adrese otpremnom prostoru
-
Postavite prepreku u obliku osobe na rutu
-
Pomaknite oznaku police i provjerite pada li pouzdanost lokalizacije
-
Stvorite odsjaj na podu i provjerite mijenja li se samopouzdanje percepcije
-
Blokirajte željeni prolaz i provjerite odabire li odobrenu rezervnu rutu
-
Zatražite odredište koje ne postoji i provjerite odbija li umjesto nagađanja
-
Pregledajte zapisnik nakon svake vožnje kako biste potvrdili da su zabilježena zaustavljanja, preusmjeravanja i poništavanja
Cilj nije samo „je li robot stigao?“. Bolje pitanje je: „Je li se ponašao sigurno i predvidljivo kada je okruženje postalo neizvjesno?“
Proizlaziti
Ilustrativni rezultat: temeljen na mjerenju vremena 20 primjera zadataka premještanja torbi u malom testnom skladišnom području.
Prije korištenja robotskog tijeka rada, ljudskom trkaču je u prosjeku trebalo 4 minute i 30 sekundi po premještanju torbe, uključujući hodanje natrag do klupe za pakiranje. Nakon uvođenja robota za jednostavne prijenose torbi od točke do točke, vrijeme ljudskog rukovanja palo je na oko 50 sekundi po zadatku, uglavnom za utovar torbe i potvrdu zadatka.
To bi uštedjelo oko 3 minute i 40 sekundi po premještanju torbe. Za 80 premještanja torbi dnevno, procijenjena ušteda vremena bila bi otprilike 293 minute ili nešto manje od 4,9 sati rada dnevno.
Sigurnosne provjere u istom testu treba pratiti odvojeno. Na primjer:
-
20 od 20 zadataka stiglo je na ispravno odredište
-
3 slučaja blokirane rute riješena su odobrenim preusmjeravanjem
-
2 događaja niske pouzdanosti pokrenula su sigurno zaustavljanje
-
Prihvaćeno je 0 neodobrenih odredišta
-
Pogođeno je 0 nedostajućih ID-ova torbi
Ovi brojevi su ilustrativni, a ne tvrdnja o bilo kojem specifičnom robotskom proizvodu. Tim bi mogao provjeriti rezultat mjerenjem vremena zadataka prije i poslije implementacije, brojanjem ručnih poništavanja, pregledom zapisnika ruta i provjerom neuspjelih isporuka.
Što može poći po zlu
Najčešći kvar je davanje robotu previše slobode. Jezični model može razumjeti instrukciju, ali to ne znači da mu treba vjerovati da će izmišljati rute, ignorirati ocjene pouzdanosti ili odlučivati što je „vjerojatno sigurno“.
Drugi realni problemi uključuju:
-
Zastarjele karte nakon premještanja polica ili klupa
-
Loša rasvjeta ili reflektirajući podovi zbunjuju modele vida
-
Osoblje koristi neformalne nazive lokacija koje robot ne prepoznaje
-
Nedostajući ID-ovi torbi uzrokuju da sustav odabere pogrešan artikl
-
Slaba evidencija, što otežava istraživanje zamalo promašaja
-
Preuveličavanje performansi bez mjerenja neuspjelih pokušaja i ljudskih intervencija
Zdravo pravilo je jednostavno: kada robot nije siguran, trebao bi postati konzervativniji, a ne kreativniji.
Praktična informacija
Snažna postavka umjetne inteligencije robota izgrađena je oko uskog zadatka, jasnih ulaznih podataka, mjerljivog sigurnosnog ponašanja i pouzdanih alternativa. „Inteligencija“ nije samo prepoznavanje objekata ili slijeđenje uputa. To je znanje kada se kretati, kada usporiti, kada stati i kada zatražiti pomoć.
Često postavljana pitanja
Kako roboti koriste umjetnu inteligenciju za autonomni rad?
Roboti koriste umjetnu inteligenciju za pokretanje kontinuirane petlje autonomije: osjećanje svijeta, tumačenje onoga što se događa, planiranje sigurnog sljedećeg koraka, djelovanje putem motora i učenje iz podataka. U praksi, ovo je skup komponenti koje rade usklađeno, a ne jedan „čarobni“ model. Cilj je pouzdano ponašanje u promjenjivim okruženjima, a ne jednokratna demonstracija u savršenim uvjetima.
Je li robotska umjetna inteligencija samo jedan model ili potpuni autonomni skup?
U većini sustava, robotska umjetna inteligencija je full-stock: percepcija, procjena stanja, planiranje i kontrola. Strojno učenje pomaže u zadacima poput vida i predviđanja, dok fizikalna ograničenja i klasična kontrola održavaju kretanje stabilnim i predvidljivim. Mnoge stvarne primjene koriste hibridni pristup jer je pouzdanost važnija od pameti. Zato učenje "samo vibracijama" rijetko preživljava izvan kontroliranih okruženja.
Na koje senzore i modele percepcije se oslanjaju AI roboti?
AI roboti često kombiniraju kamere, LiDAR, senzore dubine, mikrofone, IMU-ove, enkodere i senzore sile/momenta ili taktilne senzore. Modeli percepcije pretvaraju ove tokove u upotrebljive signale poput identiteta objekta, položaja, slobodnog prostora i znakova kretanja. Praktična najbolja praksa je odašiljanje pouzdanosti ili nesigurnosti, a ne samo oznaka. Ta nesigurnost može voditi sigurnije planiranje kada senzori postanu neispravni zbog odsjaja, zamućenja ili nereda.
Što je SLAM u robotici i zašto je važan?
SLAM (Simultana lokalizacija i mapiranje) pomaže robotu da izgradi kartu dok istovremeno procjenjuje vlastiti položaj. Ključan je za robote koji se kreću i trebaju navigirati bez "panike" kada se uvjeti promijene. Tipični ulazi uključuju odometriju kotača, IMU-ove i LiDAR ili vizualne orijentire, ponekad GPS na otvorenom. Dobri unosi prate pomicanje i nesigurnost tako da se robot može ponašati konzervativnije kada lokalizacija postane nestabilna.
Po čemu se razlikuju planiranje robota i upravljanje robotom?
Planiranje odlučuje što bi robot trebao sljedeće učiniti, poput odabira odredišta, usmjeravanja oko prepreka ili izbjegavanja ljudi. Upravljanje pretvara taj plan u glatko, stabilno kretanje unatoč trenju, promjenama korisnog tereta i kašnjenjima motora. Planiranje se često dijeli na globalno planiranje (rute šire slike) i lokalno planiranje (brzi refleksi u blizini prepreka). Upravljanje obično koristi alate poput PID-a, upravljanja temeljenog na modelu ili prediktivnog upravljanja prema modelu kako bi pouzdano slijedilo plan.
Kako se roboti sigurno nose s neizvjesnošću ili niskim samopouzdanjem?
Dobro dizajnirani roboti tretiraju neizvjesnost kao doprinos ponašanju, a ne kao nešto što treba zanemariti. Kada percepcija ili pouzdanost lokalizacije padne, uobičajeni pristup je usporavanje, povećanje sigurnosnih margina, sigurno zaustavljanje ili traženje ljudske pomoći umjesto nagađanja. Sustavi također bilježe radnje i kontekst tako da se incidenti mogu revidirati i lakše ispraviti. Ovaj način razmišljanja "gracioznog kvara" ključna je razlika između demo i implementacijskih robota.
Kada je učenje s potkrepljenjem korisno za robote, a što ga otežava?
Učenje s potkrepljenjem često se koristi za složene vještine poput manipulacije ili kretanja gdje je ručno dizajniranje kontrolera mukotrpno. Može otkriti učinkovita ponašanja putem pokušaja i pogrešaka vođenih nagradom, često u simulaciji. Implementacija postaje komplicirana jer istraživanje može biti nesigurno, podaci mogu biti skupi, a praznine između simulacije i stvarnog stanja mogu kršiti pravila. Mnogi cjevovodi koriste učenje s potkrepljenjem selektivno, uz ograničenja i klasičnu kontrolu radi sigurnosti i stabilnosti.
Mijenjaju li se temeljni modeli način na koji roboti koriste umjetnu inteligenciju?
Pristupi temeljnih modela guraju robote prema općenitijem ponašanju usmjerenom na praćenje instrukcija, posebno s modelima vida-jezika-djelovanja (VLA) poput sustava tipa RT-2. Prednost je fleksibilnost: povezivanje onoga što robot vidi s onim što mu je rečeno da učini i kako bi se trebao ponašati. Stvarnost je da su klasična procjena, sigurnosna ograničenja i konzervativna kontrola i dalje važni za fizičku pouzdanost. Mnogi timovi to definiraju kao upravljanje rizikom životnog ciklusa, sličnog duha okvirima poput NIST-ovog AI RMF-a.
Reference
[1] Durrant-Whyte & Bailey - Simultana lokalizacija i mapiranje (SLAM): 1. dio Osnovni algoritmi (PDF)
[2] Lynch & Park - Moderna robotika: Mehanika, planiranje i upravljanje (PDF za ispis)
[3] Sutton & Barto - Učenje s potkrepljenjem: Uvod (2. izdanje, nacrt PDF-a)
[4] NIST - Okvir za upravljanje rizicima umjetne inteligencije (AI RMF 1.0) (PDF)
[5] Brohan i dr. - RT-2: Modeli vida-jezika-akcije prenose web znanje u robotsko upravljanje (arXiv)