MALONI Humanoid: český rozhovor a robotické vidění v MuJoCo

Co je MALONI Humanoid a jak navazuje na Unitree G1?

Předchozí případová studie s Unitree G1 představila virtuální laboratoř, chůzi a asistované přenášení předmětu. Nová etapa s modelem Aimoga Mornine podle autora přidává návaznost na komunikaci a vnímání: humanoid dokončí úkol, připraví se na rozhovor a na požádání získá nový obrazový kontext nebo provede konkrétní dovednost. Smyslem je ověřovat návaznost pohybu, vnímání a komunikace s člověkem v jednom prostředí.

Video z nové vývojové etapy

Přenesení předmětu a rychlejší dokončení úkolu

Výchozím scénářem je přenesení sošky Buddhy na stůl. Humanoid k předmětu přijde, asistovaně jej uchopí, přenese a položí. Po ověření stabilního položení odstoupí, dokončí šestisekundový tanec a připraví se na rozhovor. Manipulace a stabilizace využívají pomocné mechanismy simulace.

Podle interních měření rychlý profil zkrátil průměrnou dobu celého úkolu z 97,90 na 79,42 sekundy simulačního času. Úspora činí 18,48 sekundy, tedy 18,88 %. Fáze dosahu a uchopení se zkrátila o 22,09 %. Jde o srovnání profilů daného simulačního úkolu, nikoli o výkon fyzického robota nebo dobu cloudové odpovědi.

Jak funguje český rozhovor s humanoidem?

Po dokončení úkolu může uživatel zahájit český hlasový rozhovor. Panel nabízí průběžný přepis, psaní zpráv, ztlumení mikrofonu a ukončení spojení. Humanoid doprovází odpovědi jemnými pohyby paží a trupu.

Rozhovor využívá údaje přímo ze stavu simulace: polohu Buddhy a stolu, přichycení předmětu, jeho stabilní položení a dobu úkolu. Tyto údaje umožňují popsat konkrétní průběh. Jsou však odlišné od vizuálního rozpoznání kamerou: znalost souřadnic simulace sama o sobě není důkazem, že robot předmět rozpoznal v obraze.

Jak humanoid využívá kameru a rozhlíží se?

Kamera je umístěná na robotovi v simulaci MuJoCo. Při otázkách „Co vidíš?“ nebo „Kde se nacházíš?“ systém vyžádá nový snímek a před odpovědí aktualizuje obrazový kontext. Odpověď tak může pracovat s novým pohledem na scénu.

Jak jsou hlasové povely oddělené od řízení pohybu?

Jazykový model neurčuje polohy kloubů. Podporované české formulace vybírají konkrétní dovednost a její provedení zajišťuje místní řadič s omezením rychlosti, kloubových rozsahů a odstupu od překážek. Síťová komunikace a zpracování obrazu probíhají mimo fyzikální smyčku, takže simulace pokračuje i při pomalejší cloudové odpovědi.

Toto rozdělení umožňuje odděleně rozvíjet rozhovor, vnímání a provádění dovedností. Popsaná omezení i přerušení povelem „Stop“ jsou vlastnosti interního simulačního řešení; nepředstavují ověřený bezpečnostní systém nebo nouzové zastavení fyzického robota.

Výsledky interního testování v simulaci MuJoCo

Následující hodnoty přebíráme ze sdělení Rostislava Sikory. Jde o výsledky interního testování v asistované simulaci. Časy jsou simulační; původní protokoly a nová revize kódu nejsou mezi veřejnými podklady této studie.

Vývoj platformy pro Česko, Slovensko a Polsko

Tato vize směřuje k vlastní vývojové platformě MALONI pro humanoidy se zaměřením na Česko, Slovensko a Polsko a s ohledem na příslušné požadavky EU. Český rozhovor je nynější konkrétní součástí tohoto směru; další jazyky ani provozní připravenost pro celý region tím nejsou doložené. Výrok vyjadřuje cíl vývoje, nikoli certifikaci nebo prokázanou regulatorní shodu.

Vlastní platforma zde znamená vývoj scén, aplikační logiky a propojení schopností. Předchozí etapa vycházela z modelu Unitree G1 a existující pohybové politiky; nová ukázka podle autora používá model Aimoga Mornine. Veřejná revize da5f9b1 se stále vztahuje k předchozí etapě. Nejde o vlastní konstrukci humanoidního hardwaru ani o nezávislost na všech externích komponentách.

Časté otázky k projektu MALONI Humanoid

Je MALONI Humanoid fyzický robot?

Tato případová studie popisuje interní softwarový projekt v asistované simulaci MuJoCo. Nové záběry podle autora používají model Aimoga Mornine. Výsledky simulace samy o sobě nedokládají schopnosti skutečného robota ani zákaznické nasazení.

Co znamená zkrácení doby úkolu o 18,88 %?

Podle interního měření sděleného Rostislavem Sikorou se průměrná doba stejného simulačního úkolu snížila z 97,90 na 79,42 sekundy. Každý profil dokončil deset z deseti validačních běhů. Číslo vyjadřuje relativní úsporu simulačního času, nikoli doložené zvýšení produktivity fyzického robota.

Dokládá studie certifikaci nebo shodu s pravidly EU?

Ne. Studie dokládá směr interního vývoje podle sdělení autora, nikoli certifikaci nebo prokázanou regulatorní shodu. Bezpečnost fyzického robota a požadavky na konkrétní budoucí aplikaci bude potřeba samostatně posoudit a ověřit.

Co bude potřeba ověřit dál

Současný výsledek tvoří praktický základ pro další vývoj: dokončit manipulační úkol, přejít do rozhovoru, získat nový pohled na okolí a provést podporovanou dovednost. Přenos na skutečného robota bude vyžadovat samostatný vývoj, posouzení konkrétní aplikace a fyzické ověření. Studie nepopisuje zákaznickou instalaci.

Dodané video a snímky ukazují prostředí nové vývojové etapy. Číselné výsledky a funkce, které záběry přímo neprokazují, zůstávají připsané internímu testování. Máte konkrétní vývojový záměr? Popište nám úkol, prostředí a očekávaný výsledek prostřednictvím kontaktu níže.