Autonomni roboti u logistici više nisu tehnologija budućnosti. Oni već danas rade u stvarnim skladištima, distributivnim centrima i industrijskim okruženjima gdje svakodnevno preuzimaju zadatke koji su fizički zahtjevni, ponavljajući i predstavljaju sigurnosni rizik.
Jedan od takvih zadataka je utovar i istovar kamiona – posao koji na prvi pogled može izgledati jednostavno, ali je za autonomni robotski sustav iznimno složen. Robot mora razumjeti prostor oko sebe, prepoznati ljude, vozila, palete i prepreke, donositi odluke u stvarnom vremenu i pritom uvijek raditi sigurno.
Upravo na takvim izazovima radi Gideon, hrvatska tvrtka specijalizirana za autonomne robotske sustave za logistiku. Njihov sustav Trey automatizira utovar i istovar kamiona u stvarnim skladišnim uvjetima – ondje gdje se prostor stalno mijenja, a nepredvidive situacije nisu iznimka nego svakodnevica.
Skladište je za robota vrlo zahtjevan prostor
Za čovjeka je skladište poznato okruženje: prolazi, palete, kamioni, viličari, ljudi u pokretu. No za robota to nije jednostavna karta prostora, nego dinamičan svijet u kojem se sve može promijeniti u nekoliko sekundi.
Ljudi prolaze kroz radnu zonu, viličari se kreću, palete se premještaju, prolazi se zatvaraju ili otvaraju, a uvjeti osvjetljenja često nisu idealni. Robot se mora kretati sigurno, izbjeći prepreke i pritom obaviti zadatak precizno i učinkovito.
Posebno zahtjevan scenarij je istovar kamiona. Teret može biti gusto složen, djelomično oštećen, nagnut ili nestabilan. Palete ponekad dolaze deformirane, a pristup robi mogu blokirati zaštitne metalne šipke koje se koriste za osiguravanje tereta tijekom transporta. Drugim riječima, robot ne radi u savršenom laboratorijskom okruženju. Radi u stvarnom svijetu — a stvarni svijet je neuredan, promjenjiv i pun iznimki.
Kako robot razumije prostor?
Da bi autonomni robot mogao razumjeti što se događa oko njega, ne oslanja se na jedan izvor informacija. Umjesto toga koristi kombinaciju različitih senzora koji doprinose boljem razumijevanju okoline.
Stereo kamere pomažu robotu da “vidi” prostor i prepoznaje objekte poput ljudi, viličara, paleta, tereta i prepreka. Budući da kamere mogu procijeniti dubinu, robot ne dobiva samo sliku, nego i informaciju gdje se objekt nalazi u prostoru. Uz kamere, koriste se i 2D lidari koji pomažu u sigurnosti, lokalizaciji i mapiranju prostora. Oni stvaraju zaštitnu zonu oko robota i omogućuju mu da reagira ako se u blizini pojavi osoba ili prepreka.
Sustav može uključivati i sigurnosni radar, 3D lidar te dodatne senzore udaljenosti koji pomažu pri preciznoj manipulaciji paletama i provjeri stabilnosti tereta. Važno je naglasiti da snaga sustava nije u jednom senzoru, nego u njihovoj kombinaciji. Tek kada robot spoji informacije iz kamera, lidara, radara i drugih senzora, može stvoriti pouzdanu sliku svijeta oko sebe.
Umjetna inteligencija i geometrija rade zajedno
Kada se govori o autonomnim robotima, često se najviše pažnje posvećuje umjetnoj inteligenciji. No u praksi AI nije zamjena za klasične robotske metode — nego njihov dodatak.
Geometrija je i dalje temelj mnogih robotskih sustava. Ona pomaže robotu da izračuna udaljenosti, odredi svoj položaj, mapira prostor i planira kretanje. Bez geometrijskih algoritama robot ne bi mogao sigurno navigirati kroz skladište.
No geometrija sama po sebi nije dovoljna. Robot može izmjeriti da se ispred njega nalazi neki objekt, ali ne zna nužno je li to čovjek, paleta, metalna šipka ili oštećeni dio tereta.
Tu nastupa umjetna inteligencija. Modeli strojnog učenja omogućuju robotu da ne vidi samo oblike i udaljenosti, nego da razumije što se nalazi u prostoru. Primjerice, AI može pomoći u prepoznavanju oštećenih paleta, reflektirajuće folije, zaštitnih šipki ili drugih situacija koje je teško pouzdano riješiti samo klasičnim algoritmima. Najbolji rezultati postižu se upravo kombinacijom: geometrija daje preciznost, a umjetna inteligencija daje razumijevanje.
Najveći izazov često nisu algoritmi, nego podaci
Kod sustava temeljenih na umjetnoj inteligenciji često se pretpostavlja da je najveći izazov odabrati pravi model. No u praksi je jednako važno — često i važnije — imati kvalitetne podatke. Robot mora učiti iz stvarnih primjera. Ako je model treniran na jednom tipu skladišta, a zatim dođe u potpuno drugačije okruženje, njegove performanse mogu pasti. Različito osvjetljenje, drugačiji raspored prostora, drugačije palete ili specifični načini pakiranja mogu značajno utjecati na rad sustava.
Zato se tijekom implementacije često prikupljaju podaci iz stvarnog korisničkog okruženja. Ti se podaci zatim koriste za dodatno treniranje i provjeru sustava prije nego što robot počne raditi u punom opsegu.
Kako se baza stvarnih scenarija povećava, sustav postaje sve robusniji. Što je više različitih skladišta, paleta, kamiona i nepredvidivih situacija u podacima, to robot bolje generalizira i lakše se prilagođava novim lokacijama.
Zašto su stvarni podaci toliko važni
Skladišta su vizualno vrlo raznolika. Teret može biti omotan prozirnom ili reflektirajućom folijom. Palete mogu biti drvene, plastične, nove, stare, oštećene ili djelomično zaklonjene. Unutrašnjost kamiona može biti slabo osvijetljena, a tamni objekti posebno su zahtjevni za detekciju.
Zbog toga se veliki naglasak stavlja na podatke iz stvarnih okruženja. Simulacije mogu biti korisne, ali stvarni svijet sadrži detalje koje je teško u potpunosti predvidjeti ili umjetno proizvesti. Robusnost autonomnog sustava ne dolazi iz jednog savršenog algoritma, nego iz velikog broja stvarnih primjera na kojima sustav uči kako izgledaju problemi s kojima će se susresti.
Što robot radi kada nije siguran?
Jedno od najvažnijih pravila autonomne robotike je da sigurnost ima prednost pred izvršenjem zadatka. Ako robot nije siguran da može pravilno uhvatiti ili pomaknuti paletu, neće pokušati “na silu” dovršiti zadatak. Umjesto toga, zaustavit će se i obavijestiti korisnika da je potrebna ljudska intervencija.
Primjerice, kod određivanja položaja palete sustav može koristiti dvije neovisne metode procjene. Ako se njihovi rezultati previše razlikuju, to je znak da situacija nije dovoljno pouzdana. U tom slučaju robot prekida manipulaciju.
Takve situacije mogu uključivati oštećene palete, zaklonjen pristup, nestabilan teret ili tipove paleta koje sustav ne podržava. To možda zvuči kao ograničenje, ali je zapravo ključna sigurnosna značajka. Dobar autonomni sustav ne mora uvijek imati odgovor, ali mora znati kada nije siguran.
Sljedeći korak: roboti koji bolje razumiju kontekst
Današnji autonomni sustavi već mogu postići visoku razinu samostalnosti, ali i dalje postoje rijetke i nepredvidive situacije koje su vrlo zahtjevne za klasične modele strojnog učenja. Problem je u tome što se takvi slučajevi događaju rijetko. Ako je nešto rijetko, teško je unaprijed prikupiti dovoljno primjera za treniranje modela. A bez primjera, model teže uči kako reagirati. Zato se sve više istražuje primjena tzv. foundation modela i vision-language modela — sustava koji mogu povezivati vizualne informacije s jezikom i širim kontekstom.
Takvi modeli mogli bi pomoći robotima da bolje prepoznaju neobične situacije, objasne što vide ili pomognu u analizi slučajeva u kojima je bila potrebna intervencija operatera. Drugim riječima, robotika se postupno kreće od sustava koji samo slijede unaprijed definirana pravila prema sustavima koji bolje razumiju kompleksnost stvarnog svijeta.
Od laboratorija do stvarne logistike
Razlika između robotske demonstracije i stvarno korisnog autonomnog sustava nije samo u tome može li robot nešto napraviti jednom u kontroliranim uvjetima. Pravi izazov je može li to raditi pouzdano, sigurno i ponovljivo — svaki dan, u različitim skladištima, s različitim teretom i u nepredvidivim situacijama.
Upravo zato su percepcija, senzori, umjetna inteligencija, geometrija i stvarni podaci toliko važni. Zajedno omogućuju robotu da ne samo vidi prostor oko sebe, nego da ga razumije dovoljno dobro da u njemu može sigurno raditi. Autonomna logistika tako više nije pitanje budućnosti. Ona se već događa — u kamionima, skladištima i distributivnim centrima gdje roboti svakodnevno uče kako se nositi sa stvarnim svijetom.
Na .debugu 2026 o ovim će temama detaljnije govoriti i Filip Mandić kroz predavanje “Autonomni utovar i istovar u stvarnom svijetu”. Kroz konkretne primjere stvarnih instalacija bit će prikazano kako Trey robotski sustav funkcionira u različitim logističkim uvjetima — od specifičnih utovarnih rampi do različitih vrsta paleta i tereta — te koji tehnološki pristupi omogućuju pouzdan autonomni rad u stvarnom svijetu.
