[Global “Agri-suhbat”] Ko‘radigan, tushunadigan va harakat qiladigan robotlar: Physical AI va VLA texnologiyasi

[Global “Agri-suhbat”: kelajak qishloq xo‘jaligini qamrab olish] AQSh Florida universiteti professori Choi Da-eun

Qishloq xo‘jaligi ishini o‘rgatganda biz har bir harakatni so‘z bilan tushuntirmaymiz. “Faqat pishganlarini tering” deb aytgach, qo‘l bilan bir necha marta ko‘rsatamiz. Ishchi mevaning holatini kuzatadi, qo‘lni qaysi yo‘nalishda kiritish va qanday kuch bilan ushlash kerakligini o‘rganadi. Hatto bitta qisqa ko‘rsatmani bajarishda ham ko‘z orqali olingan ma’lumot va tajribadan kelib chiqqan mulohaza birgalikda ishlatiladi.

Robotga xuddi shu ishni o‘rgatish uchun-chi? So‘nggi paytlarda e’tibor qozonayotgan Physical AI — bu jismoniy muhitni anglab, haqiqiy vazifalarni bajaradigan sun’iy intellektdir.
 

Robotlarga ish o‘rgatish usulidagi o‘zgarish

Ko‘rish-til modeli (Vision-Language Model, VLM) tasvir va tilni birgalikda qayta ishlaydigan AIdir. U suratda nima borligini tasvirlash yoki ko‘rsatmaga muvofiq kerakli obyektni topishda qo‘llaniladi. Ko‘rish-til-harakat modeli (Vision-Language-Action Model, VLA) esa bu qobiliyatlarni robot harakatini yaratishgacha kengaytiradi. U kamera tasvirlari va ish ko‘rsatmalarini qabul qilib, qo‘l qaysi yo‘nalishda harakatlanishi va qisqich qachon ochilib-yopilishi kerakligiga mos buyruqlarni yaratadi.[1, 2]

Mavjud robotlar ham ekinlarni kamera orqali topib, ularning joylashuviga mos harakatlanadi. Biroq an’anaviy yondashuvda ko‘pincha mevaning joylashuvini topish funksiyasi, o‘sha joygacha borish yo‘lini hisoblash funksiyasi va hosil yig‘ish qurilmasini ishga tushirish funksiyasi alohida ishlab chiqilib, keyin bog‘lanardi. VLA robot ko‘rgan sahna, ish ko‘rsatmasi va haqiqiy harakatni birgalikda o‘rganish orqali bu bog‘lanishning katta qismini ma’lumotlardan o‘rganishga imkon beradi.[1, 2]

Buning uchun shunchaki hosil yig‘ish videosini ko‘rsatish yetarli emas. Kamerada muayyan sahna ko‘ringanda robot qo‘li va hosil yig‘ish qurilmasiga qanday buyruqlar yuborilganini ham birga yozib olish kerak. Model shunday juftlangan ma’lumotlar orqali sahna va ko‘rsatmaga mos harakatlarni o‘rganadi. Keyin yangi video kelganda, o‘rganganlariga asoslanib keyingi harakatni yaratadi.[2, 3]

Bu yerda e’tiborli jihat shundaki, allaqachon o‘qitilgan modellardan foydalanish mumkin. Bu tasvir va matndan olingan bilimlar hamda turli robotlarning ish yozuvlaridan o‘rganilgan harakatlar asosida yangi vazifani qo‘shimcha o‘qitish usulidir. Robotning qo‘li va hosil yig‘ish qurilmasi o‘zgarsa, ularga mos sozlash talab qilinadi, ammo yangi robot yozuvlarining o‘zi bilan barcha qobiliyatlarni boshidan o‘rganish shart emas.[1, 2]
 

Agar robotga odam qanday hosil terishini ko‘rsatsak

2026-yil mart oyida preprint sifatida e’lon qilingan HarvestFlex tadqiqoti shu jarayonni ko‘rsatadi. Operator virtual reallik (VR) uskunasi orqali robot kamerasi tasvirini ko‘rib, qo‘l va hosil yig‘ish qurilmasini boshqardi. U qulupnayga yaqinlashib, mevani terdi va idishga qo‘ydi. Tadqiqotchilar o‘sha paytdagi video va robot harakatlarini birga yozib oldilar.[3]

Taxminan 3,7 soatlik ma’lumotlar faqat birinchi urinishdayoq muvaffaqiyatli bo‘lgan terimlardan iborat emas edi. Unda mevaga yaqinlashayotganda holatni o‘zgartirish yoki tera olmaganidan keyin qayta urinib ko‘rish jarayonlari ham bor edi. Operator vaziyatga qarab harakatlarni qanday tuzatgani ham o‘quv ma’lumoti sifatida qoldirildi.[3]

Tadqiqotchilar bu yozuvlar bilan mavjud VLA modelini qo‘shimcha o‘qitdilar. Shundan so‘ng robot odam masofadan boshqarmasa ham, kamera tasviri, hosil yig‘ish ko‘rsatmasi va o‘zining joriy holatiga asoslanib keyingi harakatlarni yaratdi. Haqiqiy issiqxona sinovida eng yaxshi natija ko‘rsatgan model 50 urinishdan 37 tasida, ya’ni 74% hosil yig‘ish muvaffaqiyatiga erishdi. Bu mevani terib idishga qo‘yish vazifasi yakunlangan ulushdir. Biroq bu natijalar tegishli sinov sharoitida olingan bo‘lib, hosil yig‘ish qurilmasi mevani to‘sib qolib, harakat davom ettirilmagan kabi muvaffaqiyatsizliklar ham saqlanib qoldi.[3]

Bu yerda e’tiborli jihat — turli vazifalarni allaqachon o‘rgangan modelga daladagi hosil yig‘ish yozuvlari qo‘shilganidir. Ya’ni model bir necha soatlik yozuv bilan barcha qobiliyatlarni boshidan o‘rganmadi, balki odam robotni boshqarib ko‘rsatgan ish tajribasi asosida mavjud model qulupnay terishga moslashtirildi.
 

Qishloq xo‘jaligi tajribasini robot qobiliyatiga aylantirish

Kelajakda fermerlarning ish jarayonini video va harakat ma’lumotlari sifatida yozib olib, robotlarni o‘qitishda foydalanish holatlari ko‘payishi mumkin. Turli ekinlar va yetishtirish muhitlarida bunday yozuvlar to‘planib borsa, robotlarga yangi qishloq xo‘jaligi ishlarini o‘rgatishda ishlatiladigan materiallar ham boyiydi. Bir fermada to‘plangan yozuvlardan boshqa ferma sharoitiga mos robotlarni o‘qitishda foydalanish imkoniyati ham bor. Odamlarga bevosita ko‘rsatish orqali yetkazib kelingan qishloq xo‘jaligi tajribasi ma’lumot sifatida saqlanib, uni o‘rgangan robotlar dalada birga ishlaydigan kelajakni kutish mumkin.
 

Adabiyotlar

 [1] Zitkovich, B., et al. (2023). RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control. Proceedings of The 7th Conference on Robot Learning, Proceedings of Machine Learning Research, 229, 2165–2183. Available from https://proceedings.mlr.press/v229/zitkovich23a.html
[2] Kim, M. J., et al. (2025). OpenVLA: An Open-Source Vision-Language-Action Model. Proceedings of The 8th Conference on Robot Learning, Proceedings of Machine Learning Research, 270, 2679–2713.Available from https://proceedings.mlr.press/v270/kim25c.html
[3] Zhao, Z., Wang, S., Miao, Z., & Xiong, Y. (2026). HarvestFlex: Strawberry Harvesting via Vision-Language-Action Policy Adaptation in the Wild. arXiv:2603.05982. https://doi.org/10.48550/arXiv.2603.05982.