Fyzikálně založený model světa od NTT prověřuje akce robotů před jejich provedením

Dne 11. listopadu 2026 společnost NTT, Inc. oznámila fyzikálně založený model světa, který před provedením vyhodnocuje možné akce robotů, aby omezil selhání, jako je upuštění předmětů a zhroucení nákladu. Společnost uvedla, že tato technologie zvýšila úspěšnost úloh při testu, v němž malý robot nakládal zboží na polici, ze 73,1 % na 92,3 %.

První zamýšlenou aplikací je automatizované nakládání a vykládání letištních zavazadel. Rozdíly v tvaru, hmotnosti a uspořádání zavazadel ztěžují běžnému řízení robotů, aby předem určilo, zda se náklad při dané akci nezhroutí nebo zda některý předmět nespadne; shromáždit tréninková data pro každý možný předmět je navíc nepraktické. NTT plánuje s Mujin, Inc. terénní zkoušky manipulace se zavazadly.

Jak model vyhodnocuje možné akce

Tato technologie funguje se stávajícím softwarem pro řízení robotů a před zahájením pohybu k němu přidává predikci a vyhodnocování. Možné akce mohou pocházet z modelu vidění, jazyka a akcí, který převádí obraz z kamery a jazykové pokyny na akce robota, nebo z plánovače pohybu, který vypočítává potřebné řídicí pokyny k dosažení cíle úlohy. Pro každou možnost model vytvoří predikované video a vyhodnotí kolize, pády předmětů a zhroucení nákladu. Výsledkem je skóre, podle něhož může řídicí program zvolit akci vyhodnocenou jako pravděpodobně úspěšnou.

NTT uvádí, že běžné modely světa výslovně nereprezentují fyzikální veličiny objektů, což může vést k tomu, že objekty v generovaném videu mizí nebo se deformují způsobem, který neodpovídá skutečnosti, a k nepřesným předpovědím kolizí. Kvůli závislosti těchto modelů na rozsáhlých tréninkových souborech dat navíc častěji selhávají v situacích, které v těchto datech nejsou zastoupeny.

Adaptér fyzikálního řízení společnosti NTT odhaduje z videa vlastnosti každého objektu, včetně jeho polohy, orientace, rychlosti a hmotnosti, pomocí fyzikálních zákonů vypočítává jeho následný pohyb a tyto výpočty předává modelu pro generování videa. NTT uvádí, že tato výslovná reprezentace umožňuje řešit situace a pohyby, které v tréninkových datech nejsou zastoupeny. Model také uvádí fyzikální veličiny, na nichž se predikce zakládá, takže je snazší porozumět tomu, z čeho generovaný výsledek vychází.

Výsledky srovnávacích testů a plány na rozšíření

NTT také vyhodnotila přesnost predikce budoucích záběrů videa na veřejně dostupném srovnávacím testu OBJ3D, který obsahuje snímky syntetických objektů při kolizích. Podle NTT její model překonal běžné metody v metrice Learned Perceptual Image Patch Similarity (LPIPS), která porovnává predikované video s referenčním záznamem způsobem odpovídajícím lidskému vnímání; nižší hodnoty znamenají větší podobnost.

Kromě manipulace se zavazadly a balíky plánuje NTT usilovat o využití v logistice, skladování, výrobě, stavebnictví a maloobchodě a zváží spolupráci s poskytovateli robotických služeb i logistickými a skladovacími společnostmi. Omezení potřebného počtu pracovníků a zvýšení produktivity jsou cíli tohoto rozšíření, nikoli výsledky potvrzenými popsaným testem.

Představení této technologie je naplánováno na fóru NTT R&D 2026, což je akce pouze pro zvané, která se koná 18.–20. listopadu 2026 a 24.–25. listopadu 2026. Na semináři o robotice s umělou inteligencí a fyzikálně informovaném modelu světa, který se uskuteční 25. listopadu 2026, mají vystoupit Isamu Arase, generální ředitel Mujin Japan, a Jun Shimamura, výkonný výzkumný inženýr NTT.

Oznámené výsledky NTT se týkají úlohy prováděné malým robotem a syntetických videí zachycujících kolize. Plánované zkoušky se společností Mujin ověří, zda se popsané zlepšení při nakládání zboží na polici projeví i při manipulaci s letištními zavazadly, kde musí kontrola před provedením akce zohlednit fyzickou různorodost, která vedla k vývoji modelu.