Okazuje się, że robot bez najmniejszego problemu identyfikuje złożoną, barwnie pomalowaną plastikową zabawkę, sortuje kolorowe pudełka na taśmie produkcyjnej i precyzyjnie układa setki różnych przedmiotów. Ten sam robot chwilę później podchodzi do zwykłego szklanego naczynia i… miażdży je albo po prostu upuszcza. Nie dlatego, że jest uszkodzony. Nie dlatego, że źle go zaprogramowano. Po prostu go nie widzi.
To nie fikcja i nie błąd jednostkowy. To jeden z najbardziej fundamentalnych i wciąż nierozwiązanych problemów współczesnej robotyki sterowanej sztuczną inteligencją.
Oczy, które kłamią
Żeby zrozumieć, dlaczego roboty mają takie kłopoty ze szkłem, lustrami i przezroczystymi materiałami, trzeba zajrzeć pod maskę ich systemu percepcji. Nowoczesne roboty przemysłowe i usługowe „widzą” świat przede wszystkim za pomocą kamer głębokości, znanych pod skrótem RGB-D. To urządzenia, które łączą w sobie zwykły aparat fotograficzny (rejestrujący obraz w kolorze) z czujnikiem mierzącym odległość do każdego punktu w kadrze.
Problem w tym, że czujniki głębokości działają z pewnym sprytnym, ale zawodnym założeniem: zakładają, że każda powierzchnia, którą napotykają, odbija światło równomiernie we wszystkich kierunkach – tak jak kawałek matowego papieru lub plastiku. Naukowcy nazywają takie powierzchnie lambertowskimi. Szkło, kryształ i lustrzane powierzchnie metalowe są dokładnym przeciwieństwem powierzchni lambertowskich. Zamiast odbijać, przepuszczają, załamują lub rozpraszają światło w nieprzewidywalny sposób.
Efekt? Czujnik głębokości zamiast „zobaczyć” szklankę, widzi coś przez nią i rejestruje zupełnie bezsensowne wartości. W mapie głębokości tworzy się dziura, plama albo mylący odczyt z tła. Robot próbujący uchwycić szklankę nie wie, gdzie ona jest, jaki ma kształt ani jakich rozmiarów, bo jego system percepcji generuje fałszywe dane.
Skala problemu w liczbach
Badacze podkreślają, że to nie jest problem marginalny. W typowych sytuacjach wewnątrz pomieszczeń od 5 do 15 procent wszystkich pikseli na mapie głębokości może zawierać błędne lub brakujące dane – właśnie z powodu szkła, luster, błyszczących metali i podobnych materiałów. W środowiskach, gdzie takich obiektów jest więcej – kuchniach, szpitalach, laboratoriach, restauracjach – odsetek ten dramatycznie wzrasta.
Konsekwencje bywają poważne. Robot próbujący chwycić szklane naczynie może wygenerować siłę chwytu całkowicie nieadekwatną do rzeczywistości – albo zbyt małą (przedmiot wypada), albo zbyt dużą (tłucze się). W przypadku robotów nawigujących po pomieszczeniach, szklane ściany i przeszklone drzwi stają się niewidzialnymi przeszkodami. Autonomiczny wózek magazynowy może spokojnie wjechać prosto w szklane drzwi, bo ich po prostu nie rejestruje.
Dlaczego AI sobie z tym nie radzi?
Można by pomyśleć: skoro mamy zaawansowane modele sztucznej inteligencji, które rozpoznają twarze, diagnozują choroby z rentgenów i piszą oprogramowanie, to problem szklanego kubka powinien być banalny. Nic bardziej mylnego.
Sieci neuronowe uczą się na ogromnych zbiorach danych. A problem polega na tym, że szkło, lustro i przezroczyste tworzywo sztuczne wyglądają inaczej przy każdym oświetleniu, każdym kącie padania światła i każdym tle, na którym się znajdują. Szklanka przy oknie w południe wygląda zupełnie inaczej niż ta sama szklanka przy sztucznym świetle wieczorem. Woda w przezroczystej butelce dodaje kolejną warstwę złożoności. Zebranie wystarczająco dużego i zróżnicowanego zestawu danych treningowych jest niezwykle trudne – nie mówiąc o tym, że podstawowy czujnik, który miałby dostarczyć danych o głębokości, i tak w takich przypadkach zawodzi.
Naukowcy szukają wyjścia
Temat jest na tyle poważny, że od kilku lat pracują nad nim jedne z najlepszych laboratoriów robotycznych na świecie. Google we współpracy z Columbia University opracowało algorytm ClearGrasp, który przy użyciu głębokiego uczenia maszynowego próbuje „domyślić się” prawdziwej głębokości przezroczystych obiektów na podstawie ich obramowań i otaczającego kontekstu. To krok naprzód, choć daleki od rozwiązania ogólnego.
Inną ścieżkę obrali badacze z Tokijskiego Uniwersytetu Nauki. W opublikowanym w styczniu 2026 roku w prestiżowym piśmie IEEE Robotics and Automation Letters badaniu, zespół pod kierunkiem dr. Shogo Arai przedstawił metodę o nazwie HEAPGrasp (Hand-Eye Active Perception to Grasp). Zamiast walczyć z zawodnym czujnikiem głębokości, badacze całkowicie go pominęli. System używa wyłącznie zwykłej kamery RGB rejestrującej obraz z wielu punktów widzenia, a następnie odtwarza trójwymiarowy kształt obiektu… na podstawie jego sylwetki.
Logika jest elegancka: jeśli wiesz, jak obiekt wygląda z kilku różnych stron jednocześnie, możesz matematycznie wyliczyć, gdzie musi się znajdować i jakie ma wymiary – bez żadnego mierzenia odległości. Ponieważ sylwetka obiektu widoczna jest tak samo niezależnie od tego, czy obiekt jest przezroczysty, lustrzany czy matowy, problem optycznych właściwości materiału znika.
Wyniki testów były imponujące: HEAPGrasp osiągnął skuteczność chwytu na poziomie 96 procent przy użyciu pojedynczej kamery, jednocześnie skracając czas wykonania zadania o 19 procent i redukując dystans przemieszczenia kamery o 52 procent w porównaniu z tradycyjnymi metodami. Badanie ma być zaprezentowane na konferencji ICRA 2026, jednym z najważniejszych wydarzeń w świecie robotyki.
Więcej oczu, więcej danych
Inne grupy badawcze podchodzą do problemu od strony fuzji sensorów – zamiast polegać wyłącznie na kamerze, łączą kilka różnych źródeł informacji. Kamery termowizyjne rejestrują temperaturę powierzchni (szkło może mieć inną temperaturę niż otoczenie). Sensory ultradźwiękowe mierzą odległość akustycznie, nie optycznie. Kamery polaryzacyjne analizują sposób, w jaki światło odbija się od różnych powierzchni – a szkło i plastik polaryzują je inaczej niż materiały nieprzezroczyste.
Każde z tych podejść ma swoje wady: jest droższe, bardziej skomplikowane w integracji lub zawodzi w specyficznych warunkach. Ale połączenie kilku metod naraz daje wyraźnie lepsze rezultaty niż jakiekolwiek pojedyncze rozwiązanie.
Dlaczego to ważne poza fabryką
Ktoś mógłby zapytać: po co robot ma chwytać szklankę? Odpowiedź jest prosta: dlatego, że coraz częściej mamy na to ochotę.
Roboty trafiają do restauracji i kawiarni, gdzie podają napoje w szklanych naczyniach. Trafiają do szpitali, gdzie muszą obchodzić się ze szklanymi próbówkami i fiolkami wypełnionymi lekami. Trafiają do domów – w roli asystentów dla osób starszych lub niepełnosprawnych – gdzie szklane i lustrzane powierzchnie są na każdym kroku. W magazynach coraz częściej sortowane są produkty zapakowane w przezroczyste folie lub plastikowe opakowania.
Każdy z tych scenariuszy wymaga od robota umiejętności, której dziś wciąż brakuje: pewnego, niezawodnego „widzenia” tego, co przezroczyste lub lustrzane.
Szklana granica automatyzacji
Transparentność materiałów okazuje się nieoczekiwaną granicą w rozwoju robotyki. Roboty potrafią już grać w szachy lepiej niż mistrzowie, diagnozować nowotwory z rentgenów z dokładnością dorównującą specjalistom, pisać kod. A jednak zwykła szklanka na kuchennym blacie wciąż potrafi je wprawić w zakłopotanie.
To przypomnienie, że inteligencja – nawet sztuczna – bywa selektywna. I że najtrudniejsze do rozwiązania problemy technologiczne niekoniecznie kryją się w złożonych algorytmach czy abstrakcyjnych równaniach. Czasem tkwią w czymś tak powszednim i pozornie banalnym jak odbicie światła w szybie. Albo zwykły t-shirt, którego robot nie potrafi dokładnie złożyć po wyprasowaniu (piszemy o tym w artykule AI zaplanuje lot na Marsa – ale nie złoży twojej koszulki.
