Robot może analizować miliony danych, rozpoznawać mowę i planować wieloetapowe zadania, a mimo to potrafi przegrać z pogniecionym T-shirtem. Nie chodzi o brak siły ani szybkości silników. Problem zaczyna się w chwili, gdy maszyna musi ustalić, gdzie kończy się rękaw, czy widoczna krawędź jest brzegiem ubrania, czy tylko zagięciem, oraz jak chwycić materiał bez przesunięcia pozostałych warstw.
To praktyczny przykład paradoksu Moraveca: zadania wymagające abstrakcyjnych obliczeń bywają dla komputerów stosunkowo łatwe, natomiast czynności percepcyjno-ruchowe wykonywane przez człowieka niemal automatycznie okazują się kosztowne obliczeniowo i trudne do odtworzenia. Człowiek składający pranie wykorzystuje jednocześnie wzrok, dotyk, wyczucie oporu, pamięć kształtu ubrania i błyskawiczne korekty ruchu. Robot musi każdą z tych zdolności zastąpić kamerą, czujnikiem, modelem matematycznym i algorytmem sterowania.
Najlepsze systemy laboratoryjne zrobiły w ostatnich latach wyraźny postęp. Nie oznacza to jednak, że uniwersalna maszyna składająca dowolne pranie jest gotowa do ustawienia obok pralki w polskim mieszkaniu. Pomiędzy kontrolowanym stołem badawczym a koszem zawierającym wilgotne skarpetki, bluzę z kapturem i dziecięce spodnie nadal znajduje się duża technologiczna luka.
Dlaczego miękka koszulka jest dla robota trudniejsza niż partia szachów
W szachach komputer otrzymuje uporządkowany stan świata: plansza ma 64 pola, każda figura należy do określonej kategorii, a legalne ruchy opisują jednoznaczne reguły. Koszulka nie oferuje takiego komfortu. Może zostać zgnieciona na praktycznie nieskończenie wiele sposobów, a pociągnięcie za jeden fragment zmienia położenie wielu pozostałych.
Tkanina jest obiektem odkształcalnym, czyli nie zachowuje stałego kształtu podczas manipulacji. Robot musi mierzyć się z kilkoma problemami naraz:
- materiał zgina się, skręca i rozciąga;
- warstwy zasłaniają się wzajemnie;
- szwy, nadruki i wzory mogą zostać błędnie uznane za krawędzie;
- cienka tkanina bywa trudna do uchwycenia pojedynczą warstwą;
- tarcie między ubraniem a stołem zmienia się zależnie od materiału;
- ten sam ruch daje inny rezultat dla bawełny, poliestru, dzianiny i śliskiej satyny;
- niewielki błąd pierwszego chwytu może zepsuć wszystkie kolejne złożenia.
Człowiek nie analizuje świadomie każdego z tych parametrów. Podnosi ubranie, potrząsa nim, lokalizuje kołnierz i rękawy, a następnie dostosowuje siłę chwytu na podstawie oporu wyczuwanego w palcach. To właśnie sedno paradoksu Moraveca. Umiejętności sensomotoryczne, które wydają się banalne, opierają się na bardzo rozbudowanych mechanizmach biologicznych i ogromnym doświadczeniu zdobywanym od pierwszych lat życia.
Robot najczęściej widzi ubranie za pomocą jednej lub kilku kamer RGB-D, czyli urządzeń rejestrujących kolor oraz odległość punktów od obiektywu. Na podstawie obrazu system próbuje określić:
- typ ubrania;
- jego orientację;
- położenie charakterystycznych punktów, na przykład kołnierza i rogów;
- miejsca bezpiecznego chwytu;
- tor ruchu chwytaka;
- stan materiału po wykonaniu ruchu.
Każdy etap może wprowadzić błąd. Badania nad wykrywaniem punktów charakterystycznych na koszulkach, ręcznikach i spodenkach wykazały średnią precyzję na poziomie 64% przy treningu na danych syntetycznych. Po dostrojeniu modelu na rzeczywistych zdjęciach wynik wzrósł do 74%, a średni błąd lokalizacji zmniejszył się z 18 do 9 pikseli. To wyraźna poprawa, ale nadal niewystarczająca, gdy chwytak ma złapać pojedynczy róg cienkiego rękawa.
Najbardziej kłopotliwa jest samoistna zasłoniętość materiału. Kamera może widzieć fragment tkaniny, lecz nie wie od razu, czy znajduje się pod nim rękaw, przód koszulki czy kolejna fałda. System musi odtworzyć niewidoczną geometrię na podstawie częściowej obserwacji. Człowiek rozwiązuje ten problem przez połączenie wzroku, dotyku i doświadczenia. Robot zwykle dysponuje głównie obrazem, dlatego częściej wykonuje ruch próbny: unosi materiał, rozciąga go albo potrząsa nim, aby uzyskać czytelniejszy układ.
To tłumaczy, dlaczego robotyczne składanie rzadko zaczyna się od samego składania. Najpierw trzeba:
- rozdzielić ubranie od pozostałych rzeczy;
- rozpoznać jego typ;
- rozłożyć je bez podwiniętych warstw;
- wygładzić powierzchnię;
- ustalić linie zgięcia;
- dopiero potem wykonać właściwe ruchy.
Najważniejsza decyzja konstrukcyjna brzmi więc nie: „jak złożyć koszulkę?”, lecz „jak doprowadzić ją do przewidywalnego stanu początkowego?”. Im mniej uporządkowane pranie, tym więcej czasu robot poświęca na obserwację i poprawki, a nie na samo składanie.
Co naprawdę potrafią systemy składające pranie
Jednym z najlepiej opisanych systemów badawczych jest SpeedFolding, opracowany przez zespół naukowców związanych między innymi z University of California, Berkeley i Karlsruhe Institute of Technology. Stanowisko wykorzystuje dwa ramiona robotyczne, chwytaki, system wizyjny oraz sieć neuronową przewidującą pary punktów chwytu.
System został wytrenowany na 4300 działaniach oznaczonych przez ludzi lub wygenerowanych samodzielnie przez robota. W doświadczeniach składał ubrania znajdujące się początkowo w losowym, pogniecionym układzie w czasie krótszym niż 120 sekund, osiągając 93% skuteczności. Deklarowana wydajność wyniosła 30–40 złożonych sztuk na godzinę, podczas gdy wcześniejsze rozwiązania osiągały przeważnie od 3 do 6 sztuk.
To dobry wynik badawczy. Trzeba jednak poprawnie rozumieć jego zakres.
Po pierwsze, 93% skuteczności nie oznacza bezbłędnej obsługi całego kosza prania. Statystycznie siedem na sto prób może zakończyć się niepowodzeniem. W domu będzie to irytujące. W pralni przemysłowej każda taka sytuacja wymaga wykrycia błędu, zatrzymania cyklu albo interwencji pracownika.
Po drugie, wynik dotyczy określonego stanowiska, zestawu ubrań i procedury testowej. Robot nie chodzi pomiędzy pralką a szafą. Pracuje nad przygotowaną powierzchnią, w kontrolowanym polu widzenia kamer i z ustalonym zestawem ruchów.
Po trzecie, podawane 30–40 sztuk na godzinę nie oznacza, że każda sztuka jest składana w 90 sekund. Wynik zależy od typu ubrania, liczby potrzebnych prób wygładzania oraz tego, czy system prawidłowo rozpoznał układ materiału. T-shirt o regularnym kroju jest znacznie łatwiejszy niż bluza z kapturem, sukienka z paskiem albo dziecięce body z zatrzaskami.
Nowsze projekty próbują odejść od ręcznego programowania każdego ruchu. Model BiFold łączy manipulację oburęczną z poleceniami językowymi, dzięki czemu zadanie można opisywać na wyższym poziomie, na przykład jako złożenie rękawów do środka. Nadal trzeba jednak przełożyć taką instrukcję na precyzyjne punkty chwytu i trajektorie ramion.
System SSFold wykorzystuje demonstracje człowieka i model grafowy rekonstruujący strukturę częściowo zasłoniętej tkaniny. W czterech testowanych zadaniach osiągnął skuteczność odpowiednio 99%, 99%, 83% i 67%. Rozrzut wyników jest ważniejszy niż najbardziej efektowne 99%. Pokazuje, że zmiana docelowego kształtu lub konfiguracji materiału może obniżyć skuteczność o ponad 30 punktów procentowych.
Problemem pozostaje także brak jednolitych testów. W konkursie ICRA 2024 dotyczącym rozkładania tkanin porównano 11 zespołów, a później rozszerzono zbiór do 679 prób obejmujących 34 ubrania. Autorzy stwierdzili wyraźną różnicę między rezultatami deklarowanymi we wcześniejszych pracach a wynikami uzyskiwanymi podczas niezależnej oceny. Co ciekawe, ręcznie projektowane metody potrafiły konkurować z bardziej rozbudowanymi rozwiązaniami uczącymi się.
W praktyce oznacza to, że przy ocenie systemu nie wystarczy zapytać o procent udanych złożeń. Potrzebne są również odpowiedzi na bardziej niewygodne pytania:
- Ile rodzajów odzieży obejmował test?
- Czy ubrania były znane z treningu?
- Czy materiał był wcześniej rozdzielony i rozłożony?
- Czy film pokazuje pełną próbę bez cięć?
- Ile razy człowiek poprawiał ułożenie ubrania?
- Czy nieudana próba była automatycznie wykrywana?
- Ile trwa powrót systemu do pracy po błędzie?
- Czy wynik obejmuje sortowanie i odkładanie, czy wyłącznie zgięcie materiału?
Najwięcej problemów sprawiają nie same ramiona, lecz integracja całego procesu. Robot może prawidłowo złożyć koszulkę, a następnie zepsuć rezultat podczas odkładania jej na stos. Może też uchwycić dwie rzeczy jednocześnie, wciągnąć sznurek bluzy w mechanizm chwytaka albo błędnie uznać lewą stronę ubrania za prawą. Takie usterki wyglądają mało efektownie na prezentacjach, ale to one decydują, czy urządzenie nadaje się do codziennej pracy.
Jak oceniać pokazy robotów i gdzie automatyzacja ma sens
Pierwszy błąd przy oglądaniu demonstracji polega na ocenianiu robota wyłącznie na podstawie końcowego rezultatu. Równo złożona koszulka niewiele mówi o niezawodności systemu, jeśli nie znamy warunków początkowych.
Dobry test powinien zaczynać się od losowo pogniecionego ubrania, a nie od koszulki ułożonej przodem do góry z widocznymi rękawami. Kamera powinna pracować w normalnym oświetleniu, ubrania muszą różnić się kolorem, rozmiarem i sztywnością, a cały proces powinien zostać pokazany bez przyspieszania i montażowych cięć.
Przy ocenie robota warto przyjąć następującą hierarchię:
- Najpierw skuteczność całego cyklu. Liczy się rezultat od pobrania ubrania do odłożenia go na stos, a nie skuteczność pojedynczego ruchu.
- Następnie samodzielne wykrywanie błędów. System, który po nieudanym chwycie próbuje ponownie, jest bardziej użyteczny niż szybszy robot wymagający pomocy operatora.
- Dopiero później prędkość. Szybkie wykonanie niewłaściwego złożenia nie ma wartości użytkowej.
- Na końcu wygląd stosu. Estetyka jest ważna, lecz w pralni hotelowej większe znaczenie mają powtarzalność wymiarów i brak zatorów.
Robotyczne składanie ma obecnie najwięcej sensu tam, gdzie tekstylia są jednorodne i przewidywalne. Dobrym przypadkiem użycia są ręczniki hotelowe, poszewki, prześcieradła oraz odzież robocza o ograniczonej liczbie fasonów. Im bardziej powtarzalny produkt, tym łatwiej zaprojektować uchwyty, linie zgięcia i kontrolę jakości.
Znacznie słabszym przypadkiem jest typowe pranie domowe. Jeden kosz może zawierać:
- skarpetki o różnych rozmiarach;
- bieliznę z koronką;
- bluzy ze sznurkami;
- spodnie z paskiem;
- dziecięce ubrania z zatrzaskami;
- delikatne materiały wymagające innego chwytu;
- rzeczy wywrócone na lewą stronę.
W takim środowisku samo składanie jest jedynie częścią problemu. Robot musi także rozplątywać, dobierać pary skarpet, rozpoznawać właściciela ubrania i decydować, czy daną rzecz należy złożyć, powiesić czy odłożyć do prasowania.
Dlatego domowego robota nie należy dziś kupować wyłącznie na podstawie filmu przedstawiającego składanie koszulki. Trzeba sprawdzić, czy czynność została wykonana autonomicznie, jakie ubrania obsługuje system i co dzieje się po błędnym chwycie. Brak tych informacji zwykle oznacza, że oglądamy demonstrację możliwości modelu, a nie gotowy produkt konsumencki.
Rozwiązania pokazywane przez Google DeepMind potrafią wykonywać zadania obejmujące składanie odzieży, rozpinanie toreb czy sortowanie prania według kolorów. Modele Gemini Robotics On-Device mogą działać bezpośrednio na urządzeniu, bez ciągłego połączenia z internetem. To zmniejsza opóźnienia i ogranicza zależność od chmury, ale nie usuwa problemów mechanicznych: chwytak nadal musi prawidłowo złapać materiał, a kamera zobaczyć zasłoniętą krawędź.
W Polsce i pozostałych państwach Unii Europejskiej znaczenie będzie miała również certyfikacja całego urządzenia, szczególnie gdy robot działa w pobliżu ludzi. Unijny AI Act wszedł w życie 1 sierpnia 2024 roku, a większość jego przepisów zaczyna obowiązywać od 2 sierpnia 2026 roku. Wymagania dotyczące systemów AI będących elementami produktów objętych regulacjami bezpieczeństwa, w tym części urządzeń robotycznych, mają być stosowane od 2 sierpnia 2028 roku.
Nie oznacza to, że każdy robot składający ręczniki automatycznie zostanie uznany za system wysokiego ryzyka. Klasyfikacja zależy od konstrukcji, zastosowania i roli AI w zapewnianiu bezpieczeństwa produktu. Dla nabywcy praktyczna zasada jest prostsza: nie wystarczy ocenić algorytmu. Trzeba sprawdzić dokumentację urządzenia, oznakowanie CE, procedury zatrzymania awaryjnego, ograniczenia strefy roboczej, wymagane przeglądy i odpowiedzialność serwisową dostawcy.
Największy priorytet dla pralni lub zakładu tekstylnego powinno mieć dziś uporządkowanie wejścia do procesu: segregacja tekstyliów, ograniczenie liczby fasonów i zapewnienie powtarzalnego podawania materiału. Dopiero potem opłaca się inwestować w bardziej zaawansowane rozpoznawanie i uczenie maszynowe. Próba zastosowania jednego „inteligentnego” robota do dowolnej sterty ubrań zwykle podnosi koszt projektu, wydłuża wdrożenie i zwiększa liczbę sytuacji wymagających ręcznej interwencji.
FAQ: roboty składające pranie i paradoks Moraveca
Na czym polega paradoks Moraveca?
Zadania wymagające abstrakcyjnego rozumowania mogą być dla komputerów łatwiejsze niż czynności percepcyjno-ruchowe, które człowiek wykonuje automatycznie, takie jak chodzenie, chwytanie przedmiotów czy składanie ubrań.
Dlaczego robot nie może po prostu nauczyć się składania na filmach?
Film pokazuje wygląd ruchu, lecz nie przekazuje pełnej informacji o sile chwytu, tarciu, grubości warstw ani reakcji materiału. Robot potrzebuje danych wizualnych, demonstracji ruchu oraz prób wykonywanych na rzeczywistych tkaninach.
Jak szybko robot może złożyć koszulkę?
System SpeedFolding osiągał średni czas poniżej 120 sekund i wydajność 30–40 sztuk na godzinę przy skuteczności 93%. Wynik dotyczył stanowiska badawczego i określonej procedury, a nie kompletnej obsługi domowego prania.
Czy roboty potrafią składać ubrania, których wcześniej nie widziały?
Tak, część systemów generalizuje działanie na nowe kolory, kształty i sztywności materiału. Skuteczność spada jednak przy nietypowym kroju, dużej liczbie zasłoniętych warstw albo elementach takich jak kaptury, paski i sznurki.
Co jest trudniejsze: rozłożenie czy złożenie ubrania?
Często trudniejsze jest doprowadzenie ubrania do płaskiego, rozpoznawalnego stanu. Gdy koszulka leży równo i ma widoczne krawędzie, samo wykonanie zaprogramowanych zgięć jest stosunkowo przewidywalne.
Czy domowe roboty humanoidalne wkrótce przejmą całe pranie?
Najpierw pojawią się rozwiązania działające w ograniczonych warunkach: na stałym stole, z określonymi ubraniami i przygotowanym koszem. Pełna obsługa obejmująca sortowanie, rozplątywanie, składanie i odkładanie dowolnej odzieży nadal wymaga poprawy percepcji, chwytaków i automatycznego usuwania błędów.
Jak odróżnić realny produkt od efektownego pokazu?
Trzeba zażądać pełnego nagrania bez cięć, wyników z co najmniej kilkudziesięciu lub kilkuset prób, listy obsługiwanych materiałów oraz informacji o liczbie interwencji człowieka. Jedna udana koszulka nie jest dowodem niezawodności.
Od czego powinna zacząć firma zainteresowana takim wdrożeniem?
Od policzenia struktury prania: liczby typów tekstyliów, dziennego wolumenu, częstotliwości wyjątków i czasu ręcznej obsługi. Pierwszym kandydatem do automatyzacji powinien być produkt najczęstszy i najbardziej regularny, zazwyczaj ręcznik albo poszewka. Dopiero po stabilnym teście na jednej kategorii należy dodawać kolejne fasony. Najdroższy błąd to rozpoczęcie projektu od założenia, że jeden robot poradzi sobie z każdym elementem trafiającym do kosza.
