UNITED BY INNOVATION

Průmyslová AI potřebuje vlastní svět. Simulace ho dokážou vytvořit 

Autor:

RICAIP Tesbed Praha

Robot je schopný pohybovat se přesně podle předem naprogramovaných instrukcí. Pokud ale má zvládat složitější úkoly v prostředí, které se mění, musí se umět vypořádat s množstvím různých situací. Objekt může ležet pokaždé trochu jinak. V prostoru se může objevit překážka. Robot může potřebovat zvolit jiný úchop nebo upravit trajektorii pohybu. A pokud pracuje v blízkosti lidí, musí reagovat také na jejich pohyb. Trénovat takové chování přímo na skutečném robotu je časově náročné a některé situace je navíc obtížné bezpečně nebo opakovaně vytvořit. 

Simulace umožňuje tyto podmínky připravit ve virtuálním prostředí a nechat AI pracovat s mnohem větším množstvím scénářů. I to je jeden z důvodů, proč se stává důležitou součástí vývoje průmyslové AI. Ve virtuálním prostředí lze totiž například měnit polohu objektů, osvětlení, překážky nebo další parametry scény a sledovat, jak se model vyrovná s jejich změnou. Vývojáři tak mohou rychle vytvářet nové scénáře a opakovat experimenty bez nutnosti zasahovat do skutečného výrobního zařízení. 

S tímto souvisí také pojem digitální dvojče. Zjednodušeně řečeno jde o virtuální reprezentaci fyzického systému, která umožňuje jeho vlastnosti a chování modelovat v digitálním prostředí. V průmyslu může digitální dvojče reprezentovat například robota, výrobní zařízení, celý výrobní proces nebo konkrétní pracovní prostředí. Podle účelu může pracovat s geometrickými vlastnostmi systému, fyzikálními zákonitostmi, provozními daty nebo dalšími informacemi potřebnými pro simulaci.  Pro vývoj AI je důležité právě to, že virtuální prostředí může být navrženo tak, aby odpovídalo podmínkám, se kterými se systém setká v realitě. To umožňuje testovat například: 

• robotickou manipulaci s objekty, 
• pohyb autonomních mobilních robotů, 
• interakci humanoidního robota s okolím, 
• různé varianty výrobních procesů, 
• řízení a optimalizaci procesů při 3D tisku, 
• chování AI v situacích, které by byly v reálném provozu příliš nákladné, pomalé nebo rizikové. 

Simulace tak může sloužit jako prostředí, ve kterém se AI učí, experimentuje a získává zkušenosti ještě před nasazením do fyzického systému. 

Když skutečná data nestačí 
 

Trénování AI obvykle vyžaduje velké množství dat. V průmyslu ale není vždy snadné je získat. Pokud má robot například rozpoznávat objekty v různých polohách, potřebujeme dostatek příkladů těchto situací. Sbírat je ručně v reálném provozu by mohlo znamenat hodiny nebo dny práce. A stále bychom získali jen omezenou část možných variant. 

Virtuální prostředí umožňuje část těchto dat vygenerovat synteticky. Model může například dostat velké množství obrazových nebo senzorických dat vytvořených v simulaci, ve kterých se mění poloha objektů, světelné podmínky, překážky nebo další parametry. Syntetická data proto mohou rozšířit trénovací množinu a pomoci AI připravit se na širší spektrum situací. Důležitá je přitom podobnost mezi virtuálním a skutečným světem. Pokud se AI naučí něco pouze v dokonale čisté simulaci, může být její chování po přenosu na skutečný robot výrazně horší. Jedním z úkolů vývoje proto je vytvářet simulace, které dostatečně dobře zachycují relevantní vlastnosti reality. 

A právě tady přichází na řadu sim-to-real. Princip je jednoduchý – systém se nejprve učí nebo testuje v simulaci a následně se jeho naučené chování přenese na skutečné zařízení. V praxi však tento přechod představuje jednu z náročných částí celého procesu. Reálný svět je totiž méně předvídatelný než virtuální prostředí. Skutečný robot má výrobní tolerance, senzory mají šum, objekty nejsou dokonale identické a fyzické prostředí se může měnit. Model proto musí být připraven na rozdíly mezi simulací a realitou. Jednou z cest je vytvářet v simulaci dostatečně širokou škálu podmínek, aby se AI nenaučila pouze jedno konkrétní řešení. Místo toho se připravuje na celou řadu možných situací. Výsledkem je vývojový proces, ve kterém se virtuální a fyzický svět doplňují. Simulace umožňuje rychle experimentovat a hledat vhodné strategie, zatímco reálné zařízení slouží k ověření, zda se tyto strategie skutečně osvědčí. 

Robotika je jen začátek 
 

Stejný přístup lze využít v řadě oblastí průmyslu. Robotika je jedním z nejviditelnějších příkladů, ale rozhodně ne jediným. V případě 3D tisku může simulace pomoci s optimalizací procesu, například při hledání vhodných parametrů nebo při testování různých scénářů bez nutnosti okamžitě vyrábět fyzické vzorky. U autonomních mobilních robotů lze simulovat jejich pohyb v prostředí, překážky a různé dopravní situace. U humanoidních robotů zase simulace umožňuje trénovat pohyb, manipulaci nebo interakci s prostředím, které by bylo velmi obtížné připravit v dostatečném množství v reálném světě. Právě schopnost vytvářet a opakovat velké množství různých situací je jednou z největších výhod simulace pro AI. 

RICAIP Testbed Praha princip průmyslového AI tréninku představí v části technologické zóny nazvané AI, Digital Twins & Robotics. Na velkoplošné obrazovce návštěvníci uvidí virtuální scénáře, ve kterých lze sledovat přípravu, trénování a testování AI systémů. Součástí bude také Sim-to-Real Robotics, která ukáže návaznost mezi virtuálním tréninkem a reálným robotickým systémem. Návštěvník tak bude moci sledovat celou cestu od simulovaného prostředí k fyzickému zařízení. Důležitou součástí bude také Prototyping Experience. Ta ukáže, jak lze virtuální prostředí využít při návrhu a porovnávání různých variant robotických či výrobních řešení. Ještě před fyzickou realizací tak lze získat informace o tom, jak se jednotlivé varianty chovají a která z nich dává největší smysl. Pro firmy je tento přístup zajímavý především tam, kde je vývoj nového řešení nákladný nebo kde by testování v reálném provozu představovalo významné riziko. Simulace umožňuje část experimentů přesunout do digitálního prostředí, rychleji porovnat varianty a připravit systém na situace, které mohou v praxi nastat. 

Virtuální zkušenost pro reálná řešení 

Simulace nenahrazuje fyzický svět. Její hodnota spočívá v tom, že umožňuje část vývoje provést dříve, rychleji a ve větším měřítku. Průmyslová AI se tak může učit na tisících virtuálních zkušeností, než se dostane k reálnému zařízení. Digitální dvojčata pomáhají vytvořit prostředí, ve kterém lze tyto zkušenosti získávat, syntetická data rozšiřují množství trénovacích scénářů a sim-to-real propojuje výsledky simulace s fyzickou realitou. Právě propojení těchto technologií bude jedním z témat, které RICAIP Testbed Praha představí na MSV 2026. Návštěvníci tak uvidí, jak může vypadat vývoj průmyslové AI v prostředí, kde se virtuální simulace a skutečná robotika vzájemně doplňují.