Co behaviorální stromy přinášejí robotické navigaci
Abychom pochopili, v čem spočívá přínos Perandova výzkumu, musíme si nejdřív stručně vysvětlit dva klíčové pojmy: velké jazykové modely v robotice a behaviorální stromy.
Velké jazykové modely (LLM) — technologie stojící za ChatGPT, Gemini nebo Claude — se v posledních dvou letech začínají čím dál častěji využívat i pro řízení robotů. Princip je relativně přímočarý: robot dostane slovní pokyn („dojdi do kuchyně a vyhni se překážkám") a LLM ho převede na sérii konkrétních akcí, které robot postupně vykoná. Výhoda je zřejmá — robot nemusí být naprogramovaný na každou specifickou situaci, místo toho využívá obecné „porozumění světu", které jazykový model získal během tréninku. Problém ovšem je, že LLM občas halucinují, tedy generují výstupy, které vypadají smysluplně, ale ve skutečnosti nedávají smysl. A co je v běžném chatu maximálně otravné, může být u fyzického robota v reálném prostoru vysloveně nebezpečné.
A tady přichází na scénu behaviorální stromy. Jde o matematický model popisující, jakým způsobem se má systém rozhodovat mezi různými úkoly. Představte si to jako rozhodovací strom, který má pevně danou strukturu: jednotlivé „listy" stromu představují konkrétní akce (zahni doleva, zastav, pokračuj rovně) a větve určují, v jakém pořadí a za jakých podmínek se mají provádět. Behaviorální stromy se už roky používají ve videoherním průmyslu pro řízení chování nehráčských postav — využívaly je tituly jako Halo, Bioshock nebo Spore. Jejich klíčová výhoda? Jsou vizuálně intuitivní, snadno se testují a ladí a hlavně — jejich chování je předvídatelné a ověřitelné.
Perando a jeho školitel, profesor Xunyu Pan (vedoucí laboratoře FLAIR — Frostburg Laboratory for Artificial Intelligence and Robotics), navrhli přístup nazvaný Constrained Behavior Tree Generation — tedy generování behaviorálních stromů s vestavěnými omezeními. V praxi to znamená, že když LLM navrhne robotovi sérii kroků, systém každý z těchto kroků automaticky zvaliduje proti behaviorálnímu stromu, který definuje, co je v dané situaci bezpečné. Pokud akce nevede k zamýšlenému cíli nebo porušuje bezpečnostní omezení, systém ji odmítne a hledá alternativu. Jednoduše řečeno: robot si své vlastní nápady nechá schválit, než je provede.
Od základní školy k IEEE — příběh Jeremyho Peranda
Na příběhu Jeremyho Peranda je pozoruhodné i to, jak rychle se z něj stal publikující výzkumník. Ještě v roce 2025 prezentoval svou první práci — Enhancing Robotic Navigation with Large Language Models — která mapovala základní možnosti využití LLM v robotické navigaci. O rok později už stojí jako první autor článku na mezinárodní IEEE konferenci, což je metrika, kterou běžně dosahují až doktorandi.
Konference IEEE EIT 2026 (Electro/Information Technology) proběhla ve dnech 21.–23. května 2026 ve městě La Crosse ve Wisconsinu. Jde o etablovanou konferenci, která každoročně přitahuje výzkumníky z oblastí elektrotechniky, počítačových věd a robotiky. Skutečnost, že bakalářský student je prvním autorem, je podle vyjádření katedry informatiky FSU historickým milníkem.
Vývoj probíhal v laboratoři FLAIR pod vedením Dr. Xunyu Pana a s podporou grantu NSF Appalachian Innovation Institute (AI²) — iniciativy americké Národní vědecké nadace, která se zaměřuje na podporu technologických inovací v apalačském regionu, tedy v oblasti, jež tradičně nepatří mezi technologická centra. To dodává Perandovu úspěchu další rozměr — ukazuje, že špičkový AI výzkum nemusí vznikat jen na MIT nebo Stanfordu.
Proč je bezpečnost AI robotů zásadní téma
Spojení velkých jazykových modelů a fyzických robotů je jedním z nejsledovanějších trendů v AI výzkumu pro rok 2026. Nvidia loni představila projekt GR00T, což je univerzální základní model pro humanoidní roboty. Google DeepMind intenzivně pracuje na robotech, kteří kombinují jazykové porozumění s fyzickou manipulací. Celý koncept „embodied AI" — tedy umělé inteligence, která má fyzické tělo a interaguje s reálným světem — zažívá nebývalý boom.
Jenže čím víc autonomie robotům dáváme, tím naléhavější je otázka jejich bezpečnosti. Zatímco u chatbota znamená halucinace nanejvýš špatnou odpověď, u robota může znamenat najetí do člověka, pád ze schodů nebo poškození vybavení. LLM modely nebyly navrženy s ohledem na fyzikální zákony a jejich „porozumění" prostoru je čistě statistické — neexistuje v něm žádná záruka, že navržená trasa je fyzicky realizovatelná.
Evropská unie na tento problém reaguje prostřednictvím AI Actu, jehož ustanovení o vysoce rizikových AI systémech se přímo dotýkají i autonomních robotů. Výrobci a provozovatelé AI robotů budou muset prokazovat, že jejich systémy splňují přísné bezpečnostní standardy — včetně mechanismů pro ověřování rozhodnutí v reálném čase. Právě přístupy jako constrained behavior trees mohou být jedním z nástrojů, jak tuto shodu prokázat.
Co to znamená pro evropskou a českou robotiku
Na první pohled by se mohlo zdát, že výzkum z marylandské univerzity je od českého prostředí vzdálený. Opak je pravdou. Česká republika má v robotice silnou tradici — ČVUT v Praze provozuje Český institut informatiky, robotiky a kybernetiky (CIIRC), který patří mezi přední evropská robotická pracoviště. VUT v Brně se dlouhodobě věnuje mobilní robotice a průmyslové automatizaci. Obě instituce se v posledních letech čím dál víc zabývají integrací umělé inteligence do robotických systémů — a bezpečnostní vrstva typu constrained behavior tree by pro ně mohla být relevantním směrem výzkumu.
Navíc evropský přístup k regulaci umělé inteligence vytváří specifickou poptávku po verifikovatelných bezpečnostních mechanismech. Nestačí říct „náš robot je bezpečný" — musíte to umět technicky doložit. Stromová struktura behaviorálních stromů je pro tyto účely ideální, protože umožňuje formální verifikaci: každou větev stromu lze matematicky ověřit nezávisle na ostatních a garantovat, že za daných podmínek robot provede pouze povolenou akci.
Budoucnost: AI modely přímo v robotech
Výzkumný tým z FLAIR už oznámil, jakým směrem se bude ubírat dál: chtějí přesunout běh AI modelů z cloudu přímo do robotů — takzvaně na edge. To je zásadní posun. Dnes většina robotů řízených LLM posílá data ke zpracování na vzdálené servery, což s sebou nese latenci (zpoždění), závislost na internetovém připojení a v neposlední řadě i bezpečnostní rizika spojená s přenosem dat.
Běh modelu přímo na zařízení — typicky na specializovaných čipech jako je Nvidia Jetson nebo Google Coral — by umožnil robotům rozhodovat se v reálném čase bez závislosti na cloudu. To je klíčové zejména pro nasazení v průmyslových provozech, skladech nebo zdravotnických zařízeních, kde každá milisekunda latence může hrát roli.
Kombinace lokální inference a formálně ověřených behaviorálních stromů představuje podle Pana a Peranda architekturu, která by mohla být základem pro další generaci bezpečných autonomních robotů. Výzkum financovaný NSF AI² bude pokračovat právě tímto směrem a je pravděpodobné, že o FLAIR laboratoři ještě uslyšíme.
Jaký je rozdíl mezi obyčejným LLM robotem a robotem s behaviorálním stromem?
U běžného přístupu LLM navrhne sérii kroků a robot je provede — bez dodatečné kontroly. S behaviorálním stromem prochází každý navržený krok validační strukturou, která ověří, zda je akce bezpečná a zda skutečně vede k cíli. Pokud ne, systém akci zablokuje a hledá jinou cestu. Je to podobné jako rozdíl mezi tím, když někomu věříte každé slovo, a tím, když si fakta necháte ověřit u nezávislého zdroje.
Je výzkum použitelný i pro běžné spotřebitelské roboty, nebo jen pro laboratorní podmínky?
Princip constrained behavior trees je univerzální a nezávisí na konkrétním typu robota. Lze ho aplikovat na robotické vysavače, doručovací drony, průmyslová AGV vozítka i autonomní vozidla. Klíčové je, že bezpečnostní omezení se definují pro konkrétní prostředí a robota — laboratorní prototyp i komerční produkt používají stejný princip, liší se jen konkrétní sadou pravidel. S blížící se účinností AI Actu v EU navíc roste tlak na výrobce, aby podobné mechanismy integrovali.
Jak se k tématu staví české univerzity?
České technické univerzity — zejména ČVUT (CIIRC) a VUT v Brně — mají dlouhodobě silné robotické programy. Integrace jazykových modelů do robotiky je u nás stále spíše v počáteční fázi, ale kombinace behaviorálních stromů a LLM je směr, který přirozeně navazuje na existující expertizu v průmyslové robotice, plánování trajektorií a multi-agentních systémech. Lze očekávat, že podobné výzkumné projekty se v českém prostředí objeví v horizontu jednoho až dvou let.
Zdroj: WV News — Frostburg student presents AI-driven robotics research at IEEE international conference
