Trénink humanoidního robota na těžkou práci: Takhle vzniká stroj, který vás možná brzy nahradí na stavbě

Před dvěma lety nestál Optimus od Tesly ani rovně. Dnes skládá baterie v gigafactory tempem 4 000 kusů za den. Co se stalo? Trénink. Obrovské množství tréninku — a ne jen toho softwarového.

Humanoidní roboti jsou na vzestupu rychleji, než si většina lidí uvědomuje. A za tímto vzestupem nestojí jen lepší procesory nebo výkonnější modely. Klíčem je metodika, kterou inženýři nazývají "embodied learning" — učení skrz tělo, fyzický kontakt se světem. Tenhle článek rozebírá, jak to celé funguje, co to stojí, a proč se firmy jako Figure, Agility nebo 1X Technologies přetahují o každého technika, který rozumí kinematice.

Proč nestačí simulace: Problém reálného světa

Každý robotický inženýr vám řekne totéž: simulace lže. Fyzikální engine Mujoco nebo Isaac Sim je skvělý nástroj, ale skutečný svět má tření, vůle v kloubech, vibrace podlahy a stovky dalších proměnných, které žádný model nedokáže přesně zachytit. Tomuto jevu se říká "sim-to-real gap" — a je to jeden z největších problémů současné robotiky.

Figure AI na to šla tvrdě. Jejich robot Figure 01 nejprve absolvoval miliony hodin v simulaci, pak ale celý tréninkový pipeline přehodnotili. Přešli na metodu "real2sim2real" — robot nejprve provede pohyb ve fyzickém světě, data se zachytí, přenesou do simulace jako ground truth, a model se dotrénuje. Výsledek? Schopnost přenést naučené chování do nové fyzické situace s chybovostí pod 3 %.

Agility Robotics s robotem Digit to řeší jinak: jejich přístup se nazývá "privilege learning." Během tréninku v simulaci má robot přístup k informacím, které v reálném světě nemá — třeba přesné souřadnice objektů. Postupně se ale tato výhoda odebírá, až robot musí fungovat pouze s tím, co mu říkají jeho senzory. Trochu jako dítě, co se učí jezdit na kole — nejdřív s pomocnými kolečky, pak bez nich.

Nejmodernější přístup ale přichází od týmu z Carnegie Mellon University. Jejich metoda "cross-embodiment transfer" umožňuje znalosti natrénované na jednom robotovi přenést na jiný — s jiným počtem kloubů, jinou kinematikou. V praxi to znamená, že trénink prováděný na laciném testovacím hardwaru lze přenést na drahý produkční model. Úspora: až 60 % tréninkovacích nákladů.

Jak vypadá fyzický trénink robota v praxi

Trénink humanoidního robota na fyzicky náročnou práci — přenášení palet, montáž komponent, práce ve skladu — nevypadá jako scéna z vědeckofantastického filmu. Vypadá to spíš jako nudná tělocvična plná senzorů.

Základní metodou zůstává "teleoperation" čili dálkové ovládání. Operátor nasadí exoskelet nebo ovládací suit, a robot kopíruje jeho pohyby v reálném čase. Data ze všech kloubů, silových senzorů a kamer se ukládají jako "demonstration data." Tesla pro trénink Optimuse nasadila více než 500 operátorů, kteří robotům ukazovali, jak uchopit předmět, otočit se a přesunout jej do přepravky. Každá hodina teleoperace generuje přibližně 2 GB dat.

Z těchto dat pak trénují neuronové sítě — konkrétně architektura zvaná "diffusion policy," která se v posledních dvou letech stala de facto standardem pro robotické manipulace. Na rozdíl od klasického reinforcement learningu nepotřebuje miliardy pokusů a omylů. Stačí jí několik stovek ukázek od člověka.

1X Technologies, norská firma s investicí od OpenAI, jde ještě dál. Jejich robot NEO trénují pomocí "world models" — neuronová síť se neučí jen konkrétní pohyb, ale buduje si vnitřní model fyzického světa. Výsledkem je schopnost improvizace: když robot narazí na situaci, kterou nikdy neviděl, dokáže ji řešit analogicky k tomu, co zná. Přesně jako člověk.

Pro ty, kdo chtějí experimentovat sami: open-source framework LeRobot od Hugging Face obsahuje předtrénované modely i nástroje pro vlastní trénink na levném hardwaru. Robot SO-100 ARM stojí kolem 200 dolarů a je kompatibilní s celým ekosystémem.

Energetická náročnost: Kdo to zaplatí?

Tady přichází ta méně romantická část příběhu. Trénink jednoho robota na úroveň schopnou nahradit lidského pracovníka ve skladu stojí — podle odhadů z roku 2025 — přibližně 200 000 až 500 000 dolarů jen na výpočetní výkon. A to nemluvíme o hardwaru, operátorech ani infrastruktuře.

Skutečnost je taková, že humanoidní roboti jsou energeticky nenasytní nejen při tréninku, ale i při provozu. Optimus spotřebuje přibližně 500 Wh na hodinu provozu — srovnatelné s průměrným domácím spotřebičem. Ve velkém skladu s 50 roboty to dělá 25 kWh za hodinu. Při dnešních cenách průmyslové elektřiny v Česku (okolo 3,5 Kč/kWh bez dotací) je to přes 85 Kč za hodinu, čili přes 2 000 Kč za jednu denní směnu.

A přesně tady se otevírá prostor pro chytré energetické řešení. Robotické provozy jsou ideálním kandidátem pro flexibilní odběr elektřiny — mohou nabíjet baterky robotů v době přebytku levné energie (typicky polední hodiny se solárním peakem) a omezit spotřebu v drahých špičkách. Tohle je přesně model, který nabízí SmartEnergyShare.com — sdílení energie, obchodování s bateriemi BESS o kapacitě 50 až 250 kW a day trading elektřiny pro průmyslové odběratele. Robotické haly spotřebovávají energii předvídatelně a ve velkém objemu — ideální profil pro regulační elektřinu a obchodování odchylek.

Více o tom, jak průmyslové provozy optimalizují spotřebu, najdete na bess-global-blog.vercel.app, kde je detailní rozbor nasazení bateriových úložišť v automatizovaných halách.

Specifika tréninku pro těžkou fyzickou práci

Trénink na "sedavou" manipulaci — třídění malých objektů, práce u pásu — je relativně zvládnutý problém. Ale těžká fyzická práce je jiná kategorie. Přenášení bednů o váze 30 kg, práce se stavebním materiálem, kopání, bourání zdí — to jsou úkony, které kladou zcela jiné požadavky jak na hardware, tak na software.

Boston Dynamics s robotem Atlas (nová elektrická verze z roku 2024) ukázal, co je možné: robot zvládne přenést 25 kg nákladu po schodišti, podřep pod překážku a přemet vzad jako záchranná akce při ztrátě rovnováhy. Tréninková metodika Atlase se opírá o "whole-body control" — centralizovaný optimalizační algoritmus, který v reálném čase řeší, jak rozložit sílu mezi všechny klouby tak, aby byl pohyb stabilní a energeticky co nejúspornější.

Klíčový problém těžké práce je zpětná vazba síly — "force feedback." Robot musí vědět, jak silně tlačit, táhnout nebo stisknout, aniž by objekt rozmačkal nebo naopak ztratil uchopení. Pro toto se trénují separátní modely — "contact-rich manipulation policies" — které se učí výhradně z dat silových senzorů v prstech. Firma Sanctuary AI ze svým robotem Phoenix tvrdí, že jejich model má rozlišení silové zpětné vazby srovnatelné s lidskou rukou: pod 1 Newton.

Dalším specifickým problémem je únava materiálu. Klouby robota se při opakovaných pohybech opotřebovávají — a tréninkový software s tím musí počítat. GXO Logistics, jeden z prvních velkých zákazníků Agility Robotics, zaznamenal při pilotu ve svém skladu v Oregonu nutnost výměny ramenního kloubu každých 800 provozních hodin. To je asi 4 měsíce běžného provozu. Nové verze kloubů s keramickým povrchem prodlužují životnost na odhadovaných 3 000 hodin.

DIY a open-source: Kde začít, pokud vás to baví

Humanoidní roboti nejsou jen záležitost miliardových korporací. Open-source komunita vyrostla natolik, že sestrojit a natrénovat vlastního robota je dostupné i jednotlivcům — samozřejmě v menším měřítku.

Nejpopulárnější platformou pro začátečníky je dnes LeRobot od Hugging Face — open-source knihovna s předtrénovanými politikami pro manipulaci. Kompatibilní hardware začíná na robotických ramenech za 200 dolarů (SO-100) a škáluje až po celé humanoidní platformy. Celý stack — od sběru dat přes trénink až po inferenci — běží na jednom RTX 4090.

Pro ty, kdo chtějí humanoidní formu, je zajímavý projekt OpenLCH (Open Low-Cost Humanoid) — design robotického těla, který lze vytisknout na 3D tiskárně za přibližně 15 000 Kč materiálu. Aktuátory stojí dalších 20 000–40 000 Kč, podle toho, zda sáhnete po hobby servo motorech nebo průmyslových BLDC s enkodéry.

Tréninkové výpočty lze provést v cloudu: na RunPod nebo vast.ai lze pronajmout GPU kapacitu za 0,3–0,8 dolaru za hodinu. Trénink základní manipulační politiky (500 ukázek, 100 000 kroků) zvládnete za přibližně 20 dolarů.

Česká scéna není pozadu — na electricshare.cz lze najít komunitní projekty propojující robotiku s energetickým managementem, včetně experimentů s autonomními systémy řízenými lokálními AI modely.

Kam to celé směřuje: Předpověď na 2027

Tady je kontroverzní prohlášení: do roku 2027 bude humanoidní robot v průmyslovém skladu levnější než průměrný skladník. Ne v pořizovacích nákladech — tam bude robot stále dražší — ale v celkových nákladech na provoz za tři roky. Amazon to ví. BMW to ví. A proto investují desítky miliard dolarů do tréninku, který probíhá právě teď, v halách, kam novináři nemají přístup.

Česká průmyslová automatizace za tímto vývojem zaostává — ne proto, že by tu chyběly peníze, ale proto, že chybí technická komunita, která by s humanoidními roboty uměla pracovat. Tréning robotů není magie. Je to disciplína. A kdokoli se ji naučí dnes, bude mít obrovský náskok za dva roky.

Pokud provozujete výrobní nebo skladové prostory a přemýšlíte nad optimalizací — nejen robotickou, ale i energetickou — SmartEnergyShare.com nabízí konzultace pro průmyslové odběratele, kteří chtějí snížit náklady na energii skrz BESS, sdílení energie a flexibilní odběr. Robotické haly jsou ideální případ použití.

Zdroje

Obchodujete s batteriovými úložišti nebo hledáte partnera pro flexibilitu a day trading elektřiny? SmartEnergyShare nabízí kompletní řešení pro BESS projekty od 50 do 250 kW - obchodování odchylek, regulační elektřiny a intraday trading. Zjistěte víc na SmartEnergyShare.

Další články na toto téma najdete na: Electric-Share.cz - legislativa a dotace ShareElectric.cz - sdílení FVE a úspory