Stručná odpověď: Roboti využívají umělou inteligenci k provádění nepřetržitého cyklu snímání, porozumění, plánování, jednání a učení, aby se mohli bezpečně pohybovat a pracovat v přeplněném a proměnlivém prostředí. Když senzory začnou být hlučné nebo klesá jejich sebejistota, dobře navržené systémy se zpomalí, bezpečně zastaví nebo požádají o pomoc, místo aby hádaly.
Klíčové poznatky:
Autonomní smyčka: Budujte systémy kolem modelu „snít–rozumět–plánovat–jednat–učit se“, nikoli na základě jediného modelu.
Robustnost: Konstrukce odolná proti oslnění, nepořádku, uklouznutí a nepředvídatelnému pohybu osob.
Nejistota: Vyjadřujte sebevědomí a využívejte ho k podnícení bezpečnějšího a konzervativnějšího chování.
Bezpečnostní protokoly: Zaznamenávejte akce a kontext, aby bylo možné selhání auditovat a opravit.
Hybridní stack: Kombinuje strojové učení s fyzikálními omezeními a klasickým řízením pro zajištění spolehlivosti.
Níže je uveden přehled toho, jak se umělá inteligence projevuje uvnitř robotů, aby zajistila jejich efektivní fungování.
Články, které byste si mohli po tomto přečíst:
🔗 Když roboti Elona Muska ohrožují pracovní místa
Co by mohli roboti od Tesly dělat a které role se mohou změnit.
🔗 Co je humanoidní robotická umělá inteligence
Zjistěte, jak humanoidní roboti vnímají, pohybují se a plní pokyny.
🔗 Jaká pracovní místa nahradí umělá inteligence
Role nejvíce vystavené automatizaci a dovednosti, které zůstávají cenné.
🔗 Práce v oblasti umělé inteligence a budoucí kariéry
Dnešní kariérní dráhy v oblasti umělé inteligence a jak umělá inteligence mění trendy v zaměstnanosti.
Jak roboti používají umělou inteligenci? Rychlý mentální model
Většina robotů s umělou inteligencí sleduje smyčku podobnou této:
-
Smysl 👀: Kamery, mikrofony, LiDAR, senzory síly, enkodéry kol atd.
-
Rozumět 🧠: Detekovat objekty, odhadovat polohu, rozpoznávat situace, předpovídat pohyb.
-
Plán 🗺️: Vyberte si cíle, vypočítejte bezpečné cesty, naplánujte si úkoly.
-
Jednání 🦾: Generování motorických povelů, úchop, kutálení, rovnováha, vyhýbání se překážkám.
-
Učte se 🔁: Zlepšete vnímání nebo chování z dat (někdy online, často offline).
Mnoho robotické „umělé inteligence“ je ve skutečnosti souborem součástek, které spolupracují –vnímání, odhad stavu, plánovánía řízení– a které dohromady vytvářejí autonomii.
Jedna praktická „terénní“ realita: těžká část obvykle nespočívá v tom, aby robot něco udělal jednou v čistém demu – jde o to, aby spolehlivě , když se změní osvětlení, prokluzují kola, podlaha se leskne, pohnou se police a lidé chodí jako nepředvídatelné NPC postavy.
Co dělá dobrý mozek umělé inteligence pro robota
Spolehlivá sestava robotické umělé inteligence by neměla být jen chytrá – měla by být spolehlivá i v nepředvídatelných reálných prostředích.
Mezi důležité vlastnosti patří:
-
Výkon v reálném čase ⏱️ (včasnost je pro rozhodování důležitá)
-
Odolnost vůči chaotickým datům (odlesky, šum, nepřehlednost, rozmazání pohybem)
-
Elegantní způsoby selhání 🧯 (zpomalte, bezpečně zastavte, požádejte o pomoc)
-
Dobré předchozí znalosti + dobré učení (fyzika + omezení + strojové učení - nejen „vibrace“)
-
Měřitelná kvalita vnímání 📏 (vědomí, kdy jsou senzory/modely degradovány)
Nejlepší roboti často nejsou ti, kteří dokážou jednou okázale předvést nějaký okázalý trik, ale ti, kteří dokážou dobře odvádět nudné úkoly den co den.
Srovnávací tabulka běžných stavebních bloků umělé inteligence pro roboty
| Nástroj / součástka umělé inteligence | Pro koho je to určeno | Cena přibližná | Proč to funguje |
|---|---|---|---|
| Počítačové vidění (detekce objektů, segmentace) 👁️ | Mobilní roboti, ramena, drony | Střední | Převádí vizuální vstup na použitelná data, jako je identifikace objektu |
| SLAM (mapování + lokalizace) 🗺️ | Roboti, kteří se pohybují | Středně vysoká | Vytváří mapu a zároveň sleduje polohu robota, což je klíčové pro navigaci [1] |
| Plánování trasy + vyhýbání se překážkám 🚧 | Doručovací boti, skladové AMR | Střední | Vypočítává bezpečné trasy a v reálném čase se přizpůsobuje překážkám |
| Klasické řízení (PID, modelové řízení) 🎛️ | Cokoliv s motory | Nízký | Zajišťuje stabilní a předvídatelný pohyb |
| Učení s posilováním (RL) 🎮 | Komplexní dovednosti, manipulace, pohyb | Vysoký | Učí se prostřednictvím metody pokus-omyl, která je založena na odměnách [3] |
| Řeč + jazyk (ASR, záměr, LLM) 🗣️ | Asistenti, servisní roboti | Středně vysoká | Umožňuje interakci s lidmi prostřednictvím přirozeného jazyka |
| Detekce a monitorování anomálií 🚨 | Továrny, zdravotnictví, bezpečnostně kritické | Střední | Detekuje neobvyklé vzorce dříve, než se stanou nákladnými nebo nebezpečnými |
| Fúze senzorů (Kalmanovy filtry, naučená fúze) 🧩 | Navigace, drony, autonomní systémy | Střední | Slučuje zdroje dat s vysokým šumem pro přesnější odhady [1] |
Vnímání: Jak roboti proměňují nezpracovaná data ze senzorů ve význam
Vnímání je proces, kdy roboti přeměňují datové proudy senzorů na něco, co mohou skutečně využít:
-
Kamery → rozpoznávání objektů, odhad pozice, porozumění scéně
-
LiDAR → vzdálenost + geometrie překážky
-
Hloubkové kamery → 3D struktura a volný prostor
-
Mikrofony → řeč a zvukové signály
-
Snímače síly/momentu → bezpečnější uchopení a spolupráce
-
Taktilní senzory → detekce skluzu, kontaktní události
Roboti se spoléhají na umělou inteligenci, aby zodpověděli otázky jako:
-
„Jaké předměty jsou přede mnou?“
-
„Je to člověk, nebo figurína?“
-
„Kde je klika?“
-
„Pohybuje se něco směrem ke mně?“
Jemný, ale důležitý detail: systémy vnímání by ideálně měly uvádět nejistotu (nebo zástupný ukazatel spolehlivosti), nikoli pouze odpověď ano/ne – protože následné plánování a bezpečnostní rozhodnutí závisí na tom, jak jistý si robot je.
Lokalizace a mapování: Jak vědět, kde se nacházíte, bez paniky
Aby robot správně fungoval, potřebuje vědět, kde se nachází. To se často řeší pomocí SLAM (Simultánní lokalizace a mapování): vytvoření mapy a současný odhad polohy robota. V klasických formulacích se SLAM považuje za problém pravděpodobnostního odhadu, přičemž běžné rodiny zahrnují přístupy založené na EKF a částicových filtrech. [1]
Robot obvykle kombinuje:
-
Odometrie kola (základní sledování)
-
Porovnávání skenů LiDAR nebo vizuální orientační body
-
IMU (rotace/zrychlení)
-
GPS (venku, s omezeními)
Roboty nelze vždy dokonale lokalizovat – takže dobré stacky se chovají jako dospělí: sledují nejistotu, detekují drift a vracejí se k bezpečnějšímu chování, když klesne sebevědomí.
Plánování a rozhodování: Výběr dalšího postupu
Jakmile si robot utvoří funkční obraz světa, musí se rozhodnout, co bude dělat. Plánování se často projevuje ve dvou vrstvách:
-
Lokální plánování (rychlé reflexy) ⚡
Vyhýbejte se překážkám, zpomalte v blízkosti lidí, sledujte jízdní pruhy/koridory. -
Globální plánování (širší obraz) 🧭
Vybírejte destinace, objíždějte blokované oblasti, plánujte úkoly.
V praxi to je situace, kdy robot promění „Myslím, že vidím volnou cestu“ v konkrétní pohybové příkazy, které nezaseknou roh police ani nezapadnou do osobního prostoru člověka.
Řízení: Proměna plánů v plynulý pohyb
Řídicí systémy převádějí plánované akce do reálného pohybu a zároveň se vypořádávají s reálnými nepříjemnostmi, jako jsou:
-
Tření
-
Změny užitečného zatížení
-
Gravitace
-
Zpoždění a zpětná vazba motoru
Mezi běžné nástroje patří PID, modelové řízení, modelové prediktivní řízenía inverzní kinematika pro ramena – tj. matematika, která promění „umístění chapadla tam“ v pohyby kloubů. [2]
Užitečný způsob, jak o tom přemýšlet:
Plánování volí cestu.
Řízení umožňuje robotovi, aby ji skutečně sledoval, aniž by se kymácel, překračoval meze nebo vibroval jako nákupní vozík s kofeinem.
Učení: Jak se roboti zlepšují, místo aby byli navždy přeprogramováváni
Roboti se mohou zlepšovat učením se z dat, spíše než ručním přelaďováním po každé změně prostředí.
Mezi klíčové přístupy k učení patří:
-
Řízené učení 📚: Učte se z popsaných příkladů (např. „toto je paleta“).
-
Samostudium 🔍: Učení struktury z nezpracovaných dat (např. predikce budoucích framů).
-
Učení s posilováním 🎯: Učení se akcím maximalizací signálů odměn v průběhu času (často v kontextu agentů, prostředí a výnosů). [3]
Kde RL září: učení složitých chování tam, kde je ruční navrhování ovladače bolestivé.
Kde se RL stává pikantním: datová efektivita, bezpečnost během průzkumu a mezery mezi simulací a realitou.
Interakce člověka s robotem: Umělá inteligence, která pomáhá robotům pracovat s lidmi
Pro roboty v domácnostech nebo na pracovištích je interakce důležitá. Umělá inteligence umožňuje:
-
Rozpoznávání řeči (zvuk → slova)
-
Detekce záměru (slova → význam)
-
Porozumění gestům (ukazování, řeč těla)
Zní to jednoduše, dokud si to člověk neuvědomí: lidé jsou nekonzistentní, přízvuky se mění, místnosti jsou hlučné a „tam“ není souřadnicový systém.
Důvěra, bezpečnost a „nebuďte strašidelní“: Méně zábavná, ale nezbytná část
Roboti jsou systémy umělé inteligence s fyzickými důsledky, takže důvěra a bezpečnostní postupy nelze opomíjet.
Praktické bezpečnostní lešení často zahrnuje:
-
Monitorování spolehlivosti/nejistoty
-
Konzervativní chování při zhoršení vnímání
-
Protokolování akcí pro ladění a audity
-
Jasné hranice toho, co robot může dělat
Užitečným způsobem, jak to formulovat na obecné úrovni, je řízení rizik: správa, mapování rizik, jejich měření a řízení v celém životním cyklu – v souladu s tím, jak NIST strukturuje řízení rizik umělé inteligence v širším smyslu. [4]
Trend „velkých modelů“: Roboti využívající základní modely
Základní modely se směřují k obecnějšímu chování robotů – zejména když jsou jazyk, zrak a akce modelovány společně.
Jedním z příkladů směru jsou vidění-jazyk-akce (VLA) , kde je systém trénován tak, aby propojil to, co vidí + co má dělat + jaké akce by měl provést. RT-2 je široce citovaným příkladem tohoto stylu přístupu. [5]
Vzrušující část: flexibilnější porozumění na vyšší úrovni.
Ověření reality: spolehlivost fyzického světa stále vyžaduje určitá opatření – klasický odhad, bezpečnostní omezení a konzervativní řízení nezmizí jen proto, že robot umí „chytře mluvit“.
Závěrečné poznámky
tedy roboti využívají umělou inteligenci? Roboti používají umělou inteligenci k vnímání, odhadování stavu (kde se nacházím?), plánovánía řízení– a někdy k učení se za účelem zlepšení. Umělá inteligence umožňuje robotům zvládat složitost dynamických prostředí, ale úspěch závisí na spolehlivých a měřitelných systémech s chováním kladeným na bezpečnost.
Příklad z reálného světa: Vytvoření asistenta s umělou inteligencí pro skladového robota
Scénář
Představte si malý sklad pro vyřizování objednávek, který používá autonomního mobilního robota k přesunu uzavřených přepravek z balicích stolů do expediční oblasti. Robot nemusí „rozumět všemu“. Musí spolehlivě vykonávat jednu práci: vyzvednout přepravku, orientovat se ve sdílené uličce, vyhýbat se lidem a paletovým vozíkům a bezpečně zastavit, když klesne sebevědomí.
Sada umělé inteligence by kombinovala počítačové vidění, LiDAR, SLAM, plánování trasy, vyhýbání se překážkám a základní jazykové pokyny od personálu. Vedoucí by mohl říct: „Vezměte tuto tašku na dispečerskou stanici číslo 3,“ ale robot stále potřebuje pevná bezpečnostní pravidla pod jazykovou vrstvou.
Toto je silný příklad, protože ukazuje, že robotická umělá inteligence funguje jako praktický stack, spíše než jako jeden obrovský model, který jen odhaduje.
Co asistent potřebuje
Nastavení by vyžadovalo:
-
Mapa skladu včetně balicích stolů, expedičních ramp, zakázaných zón, nabíjecích bodů a úzkých uliček
-
Data z kamery nebo hloubkové kamery pro rozpoznávání přepravek, osob, podlahového značení a blokovaných tras
-
LiDAR nebo jiný senzor vzdálenosti pro detekci překážek
-
Data z kolových enkodérů a IMU pro lokalizaci
-
Pravidla pro rychlostní limity, brzdnou dráhu a chování bezpečné pro člověka
-
Seznam úkolů ze skladového systému, jako například ID přepravky, místo vyzvednutí a místo určení
-
Záznamy, které zaznamenávají trasu, skóre spolehlivosti, zastávky, téměř nehody a lidské zásahy
Klíčovým bodem je, že jazyková instrukce by nikdy neměla být jedinou řídicí vrstvou. Robot může přijímat lidsky srozumitelné příkazy, ale pohyb by měl být stále řízen mapováním, plánováním, řízením a bezpečnostními omezeními.
Příklad instrukce
Jednoduchý návod k obsluze robotického asistenta by mohl vypadat takto:
Jste asistentem pro mobilního robota ve skladu. Vaším úkolem je proměnit požadavky zaměstnanců v úkoly bezpečného přesunu. Úkol vytvářejte pouze tehdy, je-li jasné místo vyzvednutí, cíl a ID přepravky. Pokud chybí nějaký detail, položte jednu krátkou upřesňující otázku. Nikdy si nevymýšlejte lokality. Pokud je trasa blokována, zvolte schválenou alternativní trasu, pokud existuje. Pokud vnímaná jistota klesne pod bezpečnou hranici, zpomalte, zastavte nebo požádejte o lidskou pomoc. Zaznamenávejte každý neúspěšný vyzvednutí, blokovanou trasu, nouzové zastavení a ruční přepnutí.
Žádost zaměstnance může být:
Přesuňte přepravku T-1842 z balicí lavice 6 do expedičního boxu 3.
Dobrá odpověď by byla:
Úkol přijat: vyzvednout přepravku T-1842 z balicí lavice 6 a doručit ji do expedičního stanoviště 3. Trasa zvolena uličkou B. Rychlost omezena v blízkosti přechodu pro chodce. Pokud je ulička B zablokována, použijte schválenou záložní trasu C.
Špatná reakce by byla:
Jasně, odnesu to na expedici.
Špatná verze je příliš vágní. Nepotvrzuje ID přepravky, místo vyzvednutí, cíl, trasu ani bezpečnostní opatření.
Jak to otestovat
Než necháte robota pracovat v aktivní uličce, otestujte ho pomocí malého kontrolního seznamu:
-
Požádejte ho o přesun tašky s kompletními podrobnostmi
-
Požádejte ho o přesun přepravky bez nutnosti sdělení dispečerské rampy
-
Umístěte do trasy překážku ve tvaru osoby
-
Přesuňte značku police a zkontrolujte, zda se snižuje jistota lokalizace
-
Vytvořte odlesky na podlaze a zkontrolujte, zda se změní sebevědomí vnímání
-
Zablokujte preferovanou uličku a zkontrolujte, zda volí schválenou záložní trasu
-
Požádejte o cíl, který neexistuje, a zkontrolujte, zda odmítá, místo hádání
-
Po každé jízdě zkontrolujte protokol a ověřte, zda byly zaznamenány zastávky, změny trasy a přepsání
Cílem není jen „dorazil robot?“. Lepší otázkou je: „Choval se bezpečně a předvídatelně, když se prostředí stalo nejistým?“
Výsledek
Ilustrativní výsledek: na základě měření času u 20 příkladných úkolů stěhování přepravek v malém testovacím prostoru skladu.
Před použitím robotického pracovního postupu trval lidský běžec v průměru 4 minuty 30 sekund na jeden přesun přepravky, včetně cesty zpět k balicímu stolu. Po zavedení robota pro jednoduché přesuny přepravek z bodu do bodu se doba manipulace lidskou silou snížila na přibližně 50 sekund na úkol, většinou pro naložení přepravky a potvrzení úkolu.
To by ušetřilo přibližně 3 minuty a 40 sekund na jeden přesun přepravky. Při 80 přesunech přepravky denně by odhadovaná úspora času činila zhruba 293 minut, což je necelých 4,9 hodin práce zaměstnance denně.
Bezpečnostní kontroly v rámci stejného testu by měly být sledovány odděleně. Například:
-
20 z 20 úkolů dorazilo do správného cíle
-
3 případy blokády trasy byly vyřešeny schválením změny trasy
-
2 události s nízkou spolehlivostí spustily bezpečné zastavení
-
Nebylo přijato 0 neschválených destinací
-
Nebylo uhádnuto 0 chybějících ID tašek
Tato čísla jsou ilustrativní, nejedná se o tvrzení o konkrétním robotickém produktu. Tým by mohl ověřit výsledek měřením času úkolů před a po nasazení, počítáním ručních změn, kontrolou protokolů tras a kontrolou neúspěšných doručení.
Co se může pokazit
Nejčastější chybou je dát robotovi příliš mnoho volnosti. Jazykový model sice může rozumět instrukci, ale to neznamená, že by se mu mělo důvěřovat, že bude vymýšlet trasy, ignorovat skóre spolehlivosti nebo rozhodovat o tom, co je „pravděpodobně bezpečné“.
Mezi další reálné problémy patří:
-
Zastaralé mapy po přesunutí polic nebo laviček
-
Špatné osvětlení nebo reflexní podlahy matoucí zrakové modely
-
Zaměstnanci používají neformální názvy míst, které robot nerozpoznává
-
Chybějící ID přepravek způsobují, že systém vybere nesprávnou položku
-
Slabé logování, což ztěžuje vyšetřování téměř nehod
-
Nadhodnocování výkonu bez měření neúspěšných běhů a lidských zásahů
Zdravé pravidlo je jednoduché: když si robot není jistý, měl by se stát konzervativnějším, ne kreativnějším.
Praktické ponaučení
Silné nastavení robotické umělé inteligence je postaveno na úzkém úkolu, jasných vstupech, měřitelném bezpečnostním chování a spolehlivých záložních řešeních. „Inteligence“ nespočívá jen v rozpoznávání objektů nebo plnění pokynů. Je to znalost toho, kdy se pohnout, kdy zpomalit, kdy zastavit a kdy požádat o pomoc.
Často kladené otázky
Jak roboti využívají umělou inteligenci k autonomnímu provozu?
Roboti využívají umělou inteligenci k provozování nepřetržité autonomní smyčky: vnímání světa, interpretace dění, plánování bezpečného dalšího kroku, jednání prostřednictvím motorů a učení se z dat. V praxi se jedná spíše o soubor komponent pracujících v souladu než o jeden „magický“ model. Cílem je spolehlivé chování v měnícím se prostředí, nikoli jednorázová demonstrace za dokonalých podmínek.
Je robotická umělá inteligence jen jedním modelem, nebo plně autonomním stackem?
Ve většině systémů je robotická umělá inteligence komplexní: vnímání, odhad stavu, plánování a řízení. Strojové učení pomáhá s úkoly, jako je vidění a predikce, zatímco fyzikální omezení a klasické řízení udržují pohyb stabilní a předvídatelný. Mnoho reálných nasazení používá hybridní přístup, protože spolehlivost je důležitější než chytrost. Proto učení „pouze za pomoci vibrací“ jen zřídka přežije mimo kontrolované prostředí.
Na jaké senzory a modely vnímání se spoléhají roboti s umělou inteligencí?
Roboti s umělou inteligencí často kombinují kamery, LiDAR, hloubkové senzory, mikrofony, IMU, enkodéry a senzory síly/točivého momentu nebo hmatové senzory. Percepční modely přeměňují tyto toky na použitelné signály, jako je identita objektu, poloha, volný prostor a pohybové signály. Praktickým osvědčeným postupem je poskytovat výstup jistoty nebo nejistoty, nikoli pouze označení. Tato nejistota může vést k bezpečnějšímu plánování, když senzory degradují v důsledku oslnění, rozmazání nebo nepořádku.
Co je SLAM v robotice a proč je důležitý?
SLAM (Simultánní lokalizace a mapování) pomáhá robotovi vytvářet mapu a zároveň odhadovat svou vlastní polohu. Je klíčový pro roboty, kteří se pohybují a potřebují se orientovat bez „panikaření“ při změně podmínek. Mezi typické vstupy patří odometrie kol, IMU a LiDAR nebo vizuální orientační body, někdy i GPS venku. Dobré mapy sledují drift a nejistotu, takže se robot může chovat konzervativněji, když se lokalizace stane nejistou.
Jaký je rozdíl mezi plánováním robotů a jejich řízením?
Plánování rozhoduje o tom, co by měl robot dělat dál, například vybrat cíl, objet překážky nebo se vyhnout lidem. Řízení promění tento plán v plynulý a stabilní pohyb navzdory tření, změnám užitečného zatížení a zpožděním motoru. Plánování se často dělí na globální plánování (trasy s celkovým obrazem) a lokální plánování (rychlé reflexy v blízkosti překážek). Řízení běžně využívá nástroje jako PID, modelové řízení nebo modelové prediktivní řízení, aby spolehlivě dodržovalo plán.
Jak roboti bezpečně zvládají nejistotu nebo nízkou sebedůvěru?
Dobře navržení roboti vnímají nejistotu jako vstup do chování, ne jako něco, co by měli ignorovat. Když klesá důvěra vnímání nebo lokalizace, běžným přístupem je zpomalit, zvýšit bezpečnostní rezervy, bezpečně zastavit nebo požádat o lidskou pomoc namísto hádání. Systémy také zaznamenávají akce a kontext, takže incidenty jsou auditovatelné a snadněji opravitelné. Toto myšlení „elegantního selhání“ je klíčovým rozdílem mezi demonstračními a nasaditelnými roboty.
Kdy je posilovací učení pro roboty užitečné a co ho ztěžuje?
Učení s posilováním se často používá pro složité dovednosti, jako je manipulace nebo lokomoce, kde je ruční navrhování regulátoru bolestivé. Učení s posilováním dokáže objevit efektivní chování prostřednictvím pokusů a omylů založených na odměně, často v simulaci. Nasazení je složité, protože průzkum může být nebezpečný, data mohou být drahá a mezery mezi simulací a realitou mohou narušovat zásady. Mnoho kanálů používá učení s posilováním selektivně, spolu s omezeními a klasickým řízením pro bezpečnost a stabilitu.
Mění základní modely způsob, jakým roboti používají umělou inteligenci?
Přístupy založené na základních modelech tlačí roboty k obecnějšímu chování založenému na následování instrukcí, zejména u modelů vidění, jazyka a akce (VLA), jako jsou systémy typu RT-2. Výhodou je flexibilita: propojení toho, co robot vidí, s tím, co má dělat, a s tím, jak by se měl chovat. Realita je taková, že pro fyzickou spolehlivost stále záleží na klasickém odhadu, bezpečnostních omezeních a konzervativním řízení. Mnoho týmů to chápe jako řízení rizik životního cyklu, podobně jako rámce, jako je AI RMF od NIST.
Reference
[1] Durrant-Whyte & Bailey - Simultánní lokalizace a mapování (SLAM): Část I Základní algoritmy (PDF)
[2] Lynch & Park - Moderní robotika: Mechanika, plánování a řízení (PDF před tiskem)
[3] Sutton & Barto - Posilovací učení: Úvod (2. vydání, návrh PDF)
[4] NIST - Rámec pro řízení rizik v oblasti umělé inteligence (AI RMF 1.0) (PDF)
[5] Brohan a kol. - RT-2: Modely vidění, jazyka a akce přenášejí webové znalosti do robotického řízení (arXiv)