AI plánování robotů: z kuchyně až na pole

Roboti v kuchyni nejsou problém mechaniky. Nejčastěji je „zabije“ obyčejný nepořádek: otevřená zásuvka, hrnec posunutý o 10 centimetrů, krabička na lince, kterou tam někdo nechal po obědě. Člověk to vyřeší instinktivně. Robot se často zasekne v plánování, začne zdlouhavě přepočítávat trajektorie a nakonec selže.

Právě proto je zajímavá práce výzkumníků z MIT a NVIDIA, kteří představili systém pro task and motion planning (TAMP) – tedy plánování úkolů i konkrétních pohybů – s učením založeným na transformerech. Jejich přístup (PIGINet) umí pro navržený plán rychle odhadnout pravděpodobnost úspěchu trajektorie ještě předtím, než robot začne konat. V testech to znamenalo výrazné zrychlení: až o 80 % kratší výpočetní čas v jednodušších scénářích a až o 50 % v komplexnějších.

A teď to podstatné pro naši sérii „Umělá inteligence v zemědělství a potravinářství“: stejný typ „nepředvídatelného nepořádku“, který je peklem v kuchyni, existuje i na poli, ve skladu, na třídicí lince nebo v balírně. AI, která se učí rychle posuzovat proveditelnost pohybů v reálném prostředí, není „kuchyňská hračka“. Je to velmi praktický směr pro automatizaci zemědělství a potravinářské výroby.

Proč roboti selhávají v reálném světě (a proč na tom záleží potravinám)

Největší rozdíl mezi laboratoří a praxí je variabilita. Robotické plánovače často fungují skvěle v čistém, předem známém prostředí. Jakmile ale přibydou náhodné překážky a drobné odchylky, roste počet možných trajektorií tak rychle, že plánování začne „hořet“ na čase i výpočetním výkonu.

V kuchyni to znamená: jiné rozmístění nádobí, různé pozice surovin, dveře skříňky pootevřené „jen trochu“. V zemědělství a potravinářství je to podobné, jen s dražšími důsledky:

• Sklizeň: různé velikosti plodů, listy zakrývající cílový objekt, bahno, nerovný terén.
• Třídění a manipulace: kluzké povrchy, nepravidelné tvary, poškozené kusy, proměnlivé rychlosti pásu.
• Balení: flexibilní obaly, různé šarže, drobné odchylky v poloze produktu.

Jestli má být automatizace opravdu použitelná, robot musí umět rozhodovat rychle a „rozumně“ i ve scénářích, které nikdo dopředu přesně nenaprogramuje.

TAMP v jedné větě

TAMP spojuje „co mám udělat“ (úkol) a „jak to fyzicky provedu“ (pohyb) do jednoho rozhodování. To je přesně to, co potřebujete u manipulace se surovinami, kde jeden špatný pohyb znamená pád přepravky, otlačené ovoce nebo kontaminaci.

Co přináší PIGINet: rychlý odhad proveditelnosti, ne slepé počítání

Hlavní myšlenka PIGINet je jednoduchá: místo toho, aby plánovač zkoušel příliš mnoho drahých výpočtů „naslepo“, nejdřív odhadne, která varianta má šanci projít. Model založený na architektuře transformeru vyhodnocuje pro každý navržený plán pravděpodobnost, že příslušná trajektorie v daném startovním stavu a s danými překážkami uspěje.

Tohle není jen akademická nuance. V praxi jde o dvě věci:

1. Rychlost rozhodnutí – robot nečeká, výroba nebo provoz nestojí.
2. Stabilita chování – méně „zamrznutí“ a méně situací, kdy systém zvolí trajektorii, která vypadá hezky v simulaci, ale v reálu skončí kolizí.

Výzkumný tým uvádí, že jejich přístup v experimentech zrychlil plánování o 80 % u relativně jednoduchých problémů a o 50 % u složitějších. To jsou čísla, která v automatizaci obvykle znamenají rozdíl mezi pilotem a nasazením.

Proč zrovna transformer?

Transformer se hodí tam, kde je potřeba pracovat se „sekvencí“ a kontextem – tedy s řetězcem rozhodnutí a stavů. V plánování pohybu robotů často nejde o jediný krok, ale o navazující sekvenci akcí, kde každá změna (například překážka) mění smysluplnost dalších kroků.

Praktický dopad: systém se může naučit, že některé typy plánů bývají v konkrétních geometriích prostředí slepá ulička, a přestane do nich investovat výpočetní čas.

Z kuchyně do potravinářství: kde se tahle „preciznost“ nejrychleji vrátí

Nejrychlejší návratnost nepřichází u humanoida, co vaří večeři. Přichází u specializovaných buněk v potravinářství. Tam už dnes existují jasné metriky: průchodnost linky, zmetkovitost, poškození produktu, prostoje.

1) Třídicí a manipulační roboty pro ovoce a zeleninu

Tady se potkávají dva světy: počítačové vidění (co je kde a v jaké kvalitě) a plánování pohybu (jak to bezpečně a rychle sebrat, otočit, odložit).

PIGINet-like přístup dává smysl všude, kde robot:

• vybírá z více uchopovacích míst,
• musí se vyhnout kolizím s okolními kusy,
• pracuje s proměnlivou geometrií hromady nebo pásu.

Jeden špatný odhad = pomačkané ovoce. Jeden rychlý správný odhad = méně odpadu a vyšší výtěžnost.

2) Balení a kompletace v proměnlivých šaržích

Potravinářství v roce 2025 jede hodně na:

• kratší série,
• více variant,
• tlak na dohledatelnost a standardizaci.

Robotické pracoviště, které dokáže rychle zhodnotit, zda je plán proveditelný i při změně rozložení, snižuje potřebu ručních zásahů. A ruční zásahy jsou drahé – hlavně v prosinci, kdy jsou špičky a personální dostupnost bývá napjatá.

3) „Kuchyňské“ principy ve firemním stravování a food service

Automatizace v gastro provozech často začíná u repetitivních úkonů (výdej, kompletace, dávkování). Jakmile ale chcete zvládnout variabilitu menu a reálný chaos, potřebujete právě robustní plánování.

Tady jsem dost skeptický k plně autonomním kuchyním v běžných restauracích. Ale v uzavřených provozech (centrální kuchyně, catering, meal-prep) dává smysl přístup, který řeší složitost prostředí a minimalizuje chyby.

Paralela s precizním zemědělstvím: pole je taky „nekonečně variabilní“

Kdo čeká, že robot na poli bude mít jednodušší práci než robot v kuchyni, obvykle podceňuje realitu. Na poli se vám mění světlo, povrch, počasí, tvar rostlin, hustota porostu i přístupové cesty. A hlavně: nemáte pevnou pracovní desku.

Co si z PIGINet principu může vzít precizní zemědělství?

• Rychlé rozhodování v terénu: méně času na výpočet = více času na práci, nižší spotřeba energie.
• Vyšší bezpečnost: když plánovač lépe chápe proveditelnost, méně riskuje kolize (stroje, lidé, konstrukce).
• Menší nároky na „dokonalé“ mapy: místo absolutně přesného modelu světa stačí dobrý odhad proveditelnosti v aktuálním stavu.

Jedna věta, kterou si z toho odnáším: Nejde o to, aby robot vše spočítal přesně. Jde o to, aby rychle poznal, co je zbytečné počítat.

Co si odnést do praxe: checklist pro firmy v agro a food

Pokud uvažujete o robotizaci, zaměřte se méně na „robotické rameno“ a víc na plánování a data. Hardware dnes seženete. Rozdíl dělá software a proces.

1) Kde je variabilita nejdražší?

Vyberte proces, kde vás variabilita stojí nejvíc peněz:

• prostoje při přestavbě,
• ruční zásahy operátorů,
• poškození produktu,
• nízká výtěžnost třídění.

To jsou místa, kde AI plánování a lepší odhad proveditelnosti přinesou rychlou hodnotu.

2) Sbírejte „nepovedené“ případy, ne jen ty ideální

Modely se zlepšují na hranách reality: kluzké kusy, deformace, nestandardní překážky. Když budete data filtrovat jen na „hezké“ situace, robot bude v provozu překvapený častěji než vy.

3) Požadujte metriky, které dávají smysl výrobě

U plánování a robotiky sledujte minimálně:

• čas cyklu (median i 95. percentil),
• počet zásahů operátora na směnu,
• míru poškození/zmetkovitost,
• dostupnost pracoviště (OEE nebo jeho část relevantní pro buňku).

Když dodavatel ukazuje jen „průměrné zrychlení“, je to málo. V provozu bolí extrémy.

4) Začněte tam, kde je prostředí „omezeně chaotické“

Nejdřív uzavřená buňka ve skladu nebo na lince. Pak teprve terén nebo úplně otevřený prostor. V tomhle pořadí se dělá automatizace, která opravdu funguje.

Kam to míří v roce 2026: méně demo videí, více nasazení

Prosinec 2025 je v agro i food typicky měsíc, kdy se bilancuje a plánují investice na další rok. A moje zkušenost je, že firmy jsou už unavené z prezentací, které končí u „podívejte se, jak to hezky funguje v laboratorní kuchyni“.

Směr, který reprezentuje PIGINet, je praktičtější: zrychlit a zpřesnit rozhodování v proměnlivém prostředí. To je přesně to, co brzdí automatizaci třídění, manipulace i sklizně.

Pokud řešíte AI v zemědělství a potravinářství, dal bych si na rok 2026 jeden cíl: vybrat proces, kde variabilita dělá největší škodu, a navrhnout pilot, který měří tvrdé metriky (čas, zmetky, zásahy). Teprve potom má smysl škálovat.

A jedna otázka na závěr, která podle mě rozhodne o úspěchu většiny projektů: Který konkrétní „chaos“ ve vašem provozu stojí nejvíc peněz – a jak rychle ho dokáže robotický systém vyhodnotit, ne jen „vidět“?