Tým robotů se naučí nový úkol bez přetrénování. Vědci ukázali jak
Výzkumníci z Bostonské univerzity naučili tým agentů plnit úkoly, které nikdy neviděl. Jejich framework SpecMAGIC dosáhl na neznámých zadáních úspěšnosti 89 %, dosavadní metoda jen 4 %. Zatím jde o simulace, kód je volně na GitHubu.
Práce vyšla 21. října 2026 na serveru arXiv a navazují na ni i souhrny na ArXivSignals. Tým Zijiana Gua z Bostonské univerzity v ní řeší problém, který v multiagentním posilovaném učení (MARL) dosud nikdo uspokojivě nevyřešil: jak naučit skupinu agentů plnit úkoly, které se mění, aniž by se musel přehrát celý trénink.
Rozklad úkolu na dílčí kroky
Klíčový nápad je jednoduchý, když si ho přeložíte do běžné situace. Představte si sklad, kde jezdí roboti. Dispečer jim nezadává kompletní scénář, ale jen posloupnost dílčích pokynů: „dojeď do zelené zóny", „počkej, až kolega dojede do modré", „pak společně dojeďte do červené". Každý robot přitom umí jen základní krok „dojeď někam a vyhni se něčemu". Nový úkol pak není nic jiného než nová posloupnost pokynů poskládaná ze stejných dílčích kroků.
SpecMAGIC funguje přesně takhle. Úkoly se zapisují v lineární temporální logice (LTL), tedy formálním jazyce, který umí vyjádřit pořadí věcí v čase: „nejdřív A, pak B", „nikdy nedělej C", případně „navštěvuj D pořád dokola". Autoři k tomu přidávají dva nové typy operátorů. Operátory Req a EachReq popisují závislosti mezi agenty (robot smí do zóny, až ji jiný zkontroluje). Operátory Sync a Async popisují počty (aspoň dva roboti musejí stát v cíli ve stejnou chvíli).
Framework je hierarchický. Nahoře sedí centralizovaný plánovač, který specifikaci rozloží na dílčí podúkoly a rozdělí je mezi agenty. Dole běží decentralizované politiky, tedy natrénované modely, z nichž každý umí splnit jeden konkrétní podúkol. Při novém zadání plánovač jen poskládá známé podúkoly do jiného pořadí. Žádný trénink navíc.
Proč je plánování těžké
Na první pohled by šlo úkol rozložit triviálně: vezměte specifikaci, převeďte ji na konečný automat a v něm hledejte cestu. Problém je v tom, že automat pro globální specifikaci roste exponenciálně s počtem agentů. Čísla z práce to ukazují tvrdě. Při třech agentech má automat v průměru 98,7 stavu. Při pěti agentech už 1789 stavů, tedy zhruba osmnáctinásobek. Při deseti agentech se ho autorům nepodařilo sestavit vůbec, protože limit jedné hodiny nestačil na specifikaci s dvanácti složkami a čtyřiceti atomickými výroky.
SpecMAGIC se explicitní konstrukci globálního automatu vyhýbá. Jeho plánovač prohledává prostor podúkolů vzorkováním, podobně jako to dělají algoritmy typu RRT v robotice. Autoři u něj dokazují dvě vlastnosti: správnost (každý vrácený plán skutečně splňuje specifikaci) a pravděpodobnostní úplnost (pokud řešení existuje, pravděpodobnost jeho nalezení jde s počtem iterací k jedničce).
Čísla z navigačních testů
Testy proběhly v simulovaném prostředí Zone, kde se agenti pohybují mezi barevnými zónami s lidarovým pozorováním. SpecMAGIC porovnávali s metodou ACC-MARL, jedinou dosavadní, která na víceagentní temporální specifikace cílí. Výsledky v úspěšnosti splnění úkolu:
| Zadání | SpecMAGIC | ACC-MARL |
|---|---|---|
| Známé úkoly (průměr) | 94 % | 21 % |
| Neznámé úkoly, zero-shot (průměr) | 89 % | 4 % |
| Jednoduché „dojeď" | 97 % | 77 % |
| Jednoduché „dojeď a vyhni se" | 98 % | 60 % |
Rozdíl se nejvíc projeví právě na neznámých zadáních, tedy v situaci, kvůli které celá práce vznikla. Míra porušení specifikace u SpecMAGIC dosahuje v průměru 5 procent na známých a 7 procent na neznámých úkolech. ACC-MARL porušuje zadání ve 66, respektive 74 procentech případů.
Framework zvládá i nekonečné horizonty, kde má agent opakovaně navštěvovat určité zóny. Tam dosahuje průměrné míry porušení 10 procent. Trénink přitom stojí 15 milionů interakcí s prostředím a na GPU RTX 4090 zabere zhruba 6 hodin. Agentů se může účastnit víc, než na kolik se politika trénovala, a to bez přeučení.
Kde SpecMAGIC naráží
Jsou tu dvě věcná omezení. Za prvé jde stále o simulace v navigačním prostředí, ne o fyzické roboty ve skladu. Přechod z barevných zón na reálný provoz, kde záleží na uchopení předmětu a na bezpečnosti, nikdo neotestoval. Za druhé zůstává vysokoúrovňový plánovač centralizovaný. To omezuje škálování, až bude agentů hodně, a autoři to v závěru přiznávají jako hlavní slabinu. Decentralizované plánování nechávají na příští práci.
Praktický dopad je zatím hlavně pro výzkum a firmy, které dělají multirobotické systémy. Kód je volně dostupný na GitHubu, takže si ho může stáhnout i české robotické či akademické pracoviště. Čeština ani lokalizace tu nehrají roli, jde o výzkumný kód v angličtině. Práci financoval americký Národní vědecký fond, nikoli evropský grant.
Půjde SpecMAGIC použít přímo na fyzické roboty?
Zatím ne. Všechny experimenty proběhly v simulovaném navigačním prostředí Zone. Přechod na reálné roboty by vyžadoval řešení dalších problémů, jako je bezpečnost nebo manipulace s předměty, a autoři ho netestovali.
Co přesně znamená „zero-shot" zobecnění?
Znamená to, že agent plní úkol, který během tréninku nikdy neviděl, a přesto ho nemusí nikdo znovu trénit. Plánovač jen přeskupí podúkoly, které agent už umí, do pořadí podle nové specifikace.
Potřebuje SpecMAGIC hodně výpočetního výkonu?
Trénink politik zabral 15 milionů interakcí a zhruba 6 hodin na jedné RTX 4090. Vysokoúrovňové plánování je naopak rychlé, v řádu setin až desetin sekundy, protože se vyhýbá sestavování exponenciálně velkého automatu.
