Tương lai robotics có thể không cần một robot làm mọi việc: Vì sao “đội robot chuyên môn hóa” thực tế hơn?

Một drone có thể nhìn toàn cảnh nhưng không giỏi mang tải nặng. Robot bốn chân vượt địa hình tốt nhưng thiếu cánh tay để thao tác tinh. Một mobile manipulator có thể nhặt đồ, song lại chậm và tốn năng lượng nếu phải chạy hàng trăm mét. Ghép tất cả những năng lực đó vào một robot duy nhất nghe có vẻ lý tưởng, nhưng trong nhiều môi trường thực tế, đây có thể là cách khó và đắt hơn mức cần thiết.

Một hướng khác đang được nghiên cứu ngày càng nghiêm túc là heterogeneous multi-robot systems: đội robot không giống nhau, mỗi thành viên được thiết kế cho một nhóm nhiệm vụ cụ thể, còn phần mềm phía trên chịu trách nhiệm phân công, phối hợp và lập kế hoạch lại khi có sự cố. Ý tưởng này không mới, nhưng các hệ thống gần đây đang cố giải quyết phần khó nhất của nó: làm sao để một đội robot khác hình dạng, khác cảm biến và khác bộ kỹ năng có thể nhận một mục tiêu chung rồi tự chia việc.

Thay vì một robot đa năng, hãy coi cả đội là “robot tổng quát”

Điểm mấu chốt của mô hình chuyên môn hóa nằm ở cách định nghĩa năng lực. Một robot không cần phải làm được mọi thứ; nó chỉ cần làm tốt phần việc phù hợp với phần cứng của mình và biết báo lại trạng thái cho hệ thống điều phối.

Trong một nghiên cứu công bố tháng 8/2026 trên Frontiers in Robotics and AI, nhóm tại IIT Gandhinagar cùng cộng sự giới thiệu CoMuRoS, một kiến trúc điều phối đội robot không đồng nhất. Hệ thống sử dụng một LLM trung tâm như “task manager” để hiểu yêu cầu ngôn ngữ tự nhiên, chia mục tiêu thành các tác vụ và gán chúng cho robot dựa trên khả năng, hình thái và ràng buộc của từng máy. Ở cấp robot, một LLM riêng chuyển nhiệm vụ cấp cao thành các thao tác dựa trên thư viện kỹ năng ROS2 đã được cài sẵn.

Cách tổ chức này giống một nhóm kỹ thuật hơn là một cỗ máy duy nhất: người quản lý không trực tiếp làm mọi việc, mà biết ai có công cụ phù hợp và khi nào cần đổi kế hoạch.

Một robot làm rơi đồ, robot khác có thể vào cuộc

Thử nghiệm phần cứng của CoMuRoS minh họa khá rõ lợi thế của chuyên môn hóa. Nhóm sử dụng ba loại robot khác nhau: một Unitree Go2 bốn chân, một TurtleBot Burger làm robot di động và một TurtleBot Waffle-Pi gắn cánh tay OpenManipulator-X.

Trong bài thử, Go2 được giao mang một vật thể màu xanh tới đích, trong khi Waffle thực hiện nhiệm vụ riêng với một chai. Giữa chừng, nhóm nghiên cứu cố tình làm vật thể rơi khỏi lưng Go2. Burger phát hiện sự kiện, hệ thống xác định nó có liên quan đến nhiệm vụ và kích hoạt lập kế hoạch lại. Vì cánh tay của Waffle không đủ tầm để đặt vật thể lên một Go2 đang đứng, task manager yêu cầu robot bốn chân ngồi xuống; Waffle nhặt và đặt vật trở lại, sau đó Go2 tiếp tục giao hàng còn Waffle quay lại nhiệm vụ ban đầu.

Chuỗi phục hồi này thành công 9 trong 10 lần. Một thử nghiệm khác, trong đó ba robot di động phối hợp mang hộp và một cánh tay robot đưa vật thể vào hộp, đạt 8/8 lần. Khi hệ thống cố tình tạo tình huống không robot nào có khả năng xử lý, task manager chuyển phần việc cho con người; nhóm báo cáo 5/5 lần hoàn thành trong bài thử đó. Những con số này đáng chú ý ở mức hệ thống thử nghiệm, nhưng chưa thể xem là bằng chứng cho độ tin cậy công nghiệp.

Quan trọng hơn, demo cho thấy một cách nhìn khác về “general-purpose robotics”: tính linh hoạt không nhất thiết phải nằm trong một thân robot. Nó có thể xuất hiện ở cấp đội hình + phần mềm điều phối.

Vì sao chuyên môn hóa hợp với vật lý hơn?

Robot là phần mềm gắn với một cơ thể vật lý, và cơ thể đó luôn phải đánh đổi. Chân giúp đi qua địa hình gồ ghề nhưng phức tạp và tiêu tốn năng lượng hơn bánh xe trên nền phẳng. Cánh tay có tầm với lớn cần cơ cấu nặng và cứng hơn. Drone rất linh hoạt về góc quan sát nhưng bị giới hạn bởi pin và tải trọng. Một gripper tốt cho thùng carton chưa chắc phù hợp với đồ mềm hoặc vật nhỏ.

Nếu cố đưa mọi khả năng vào cùng một nền tảng, chi phí không chỉ tăng ở số lượng actuator và cảm biến. Robot còn phải mang theo phần cứng mà phần lớn thời gian không sử dụng, làm tăng khối lượng, điện năng, độ phức tạp bảo trì và số chế độ hỏng.

Đội robot chuyên môn hóa cho phép tối ưu từng thành viên theo nhiệm vụ. Robot kiểm tra có thể ưu tiên cảm biến; robot vận chuyển tối ưu cho tải và thời lượng pin; robot thao tác tập trung vào độ chính xác của tay; drone đảm nhiệm quan sát nhanh. Nếu một nhiệm vụ đòi hỏi nhiều khả năng, hệ thống ghép các robot thành một “coalition” tạm thời thay vì bắt một máy đảm nhiệm toàn bộ.

Đây cũng là bài toán mà nghiên cứu về heterogeneous multirobot task allocation đang tập trung. Một công trình đăng trên IEEE Transactions on Robotics năm 2025 mô hình hóa các nhiệm vụ dài hạn trong môi trường động, nơi robot có năng lực cảm biến và di chuyển khác nhau, pin giới hạn, cần sạc lại, thậm chí phải chia hoặc chuyển tiếp nhiệm vụ giữa nhiều robot. Vấn đề khi đó không còn là “robot nào thông minh nhất”, mà là “đội hình nào hoàn thành nhiệm vụ tốt nhất dưới các ràng buộc thực tế”.

Kho hàng đã cho thấy mô hình này có thể thực dụng

Phiên bản thương mại dễ thấy nhất của tư duy chuyên môn hóa hiện nay không phải một đội robot tự thảo luận với nhau bằng LLM, mà là các hệ thống tự động hóa lớn với nhiều loại robot làm các công đoạn khác nhau.

Amazon là ví dụ rõ. Theo thông tin chính thức của công ty, mạng lưới vận hành của họ đã triển khai hơn một triệu robot. Nhưng đó không phải một triệu bản sao của cùng một robot. Hercules chuyên nâng và di chuyển khối hàng nặng; Pegasus xử lý kiện hàng; Sparrow dùng thị giác máy tính để nhận dạng và gắp từng sản phẩm; Proteus là robot di động tự hành vận chuyển các xe hàng trong khu vực có người làm việc. Ở một số quy trình, Proteus còn làm việc nối tiếp với Cardinal, cánh tay robot chịu trách nhiệm xếp kiện vào xe trước khi robot di động đưa xe tới khu vực tiếp theo.

Đây chưa phải “robot team” theo nghĩa mở của các paper học thuật: nhiệm vụ được thiết kế trước, môi trường có cấu trúc và các vai trò phần lớn đã cố định. Nhưng về mặt kiến trúc, nó cho thấy một hệ thống thực tế có thể đạt độ tự động hóa cao bằng cách kết hợp nhiều robot chuyên biệt, thay vì chờ một humanoid duy nhất đủ tốt để làm tất cả các công đoạn.

Phần khó chuyển từ chế tạo robot sang điều phối robot

Chuyên môn hóa không xóa đi độ khó; nó chuyển độ khó sang cấp hệ thống. Một đội robot càng đa dạng thì task allocation càng phức tạp. Hệ thống phải biết robot nào đang rảnh, pin còn bao nhiêu, cảm biến nào đang hoạt động, đường đi có giao nhau không, nhiệm vụ nào bắt buộc theo thứ tự và điều gì xảy ra nếu một thành viên hỏng giữa chừng.

Các robot cũng cần một giao diện mô tả năng lực đủ thống nhất để bộ điều phối hiểu chúng. Nếu mỗi nền tảng có cách biểu diễn nhiệm vụ, bản đồ, tọa độ và trạng thái khác nhau, việc ghép chúng thành một đội có thể tốn nhiều công sức tích hợp hơn lợi ích thu được.

CoMuRoS vẫn còn những giới hạn rất rõ. Tác giả phải khai báo thủ công khả năng và ràng buộc hình thái của robot; các kỹ năng cấp thấp phải được cài sẵn cho từng nền tảng; quy tắc theo ứng dụng vẫn cần con người thiết kế. Các thử nghiệm phần cứng mới ở quy mô tối đa bốn robot, còn khả năng mở rộng tới hàng trăm hay hàng nghìn robot chưa được chứng minh. Hệ thống hiện ưu tiên hoàn thành nhiệm vụ hơn là tối ưu thời gian, năng lượng hoặc mức sử dụng tài nguyên, và nhóm cũng ghi nhận một lần thất bại do LLM sắp xếp sai thứ tự khi lập kế hoạch lại.

Nói cách khác, LLM có thể làm tầng điều phối mềm dẻo hơn, nhưng nó chưa loại bỏ nhu cầu về kỹ thuật robot cổ điển: perception, planning, control, safety và các skill đã được kiểm thử.

Robot đa năng vẫn có chỗ đứng

Điều này không có nghĩa humanoid hay robot generalist là ngõ cụt. Trong môi trường được thiết kế cho con người — nhà ở, khách sạn, bệnh viện, văn phòng — một cơ thể có thể dùng cùng cầu thang, tay nắm cửa, dụng cụ và bàn làm việc của con người có lợi thế rất lớn. Nếu nhiệm vụ thay đổi liên tục và không thể dự đoán trước, việc mang nhiều robot chuyên biệt tới cùng một nơi cũng có thể không kinh tế.

Vì vậy, lựa chọn nhiều khả năng không phải “generalist hoặc specialist”, mà là mức tổng quát nên đặt ở đâu. Một robot đa năng cố gom cả di chuyển, thao tác và nhận thức vào cùng một cơ thể. Một đội chuyên môn hóa giữ phần cứng tối ưu cho từng việc, rồi đặt tính tổng quát vào phần mềm điều phối phía trên.

Nếu hướng thứ hai thắng trong nhà máy, logistics, nông nghiệp hoặc ứng phó thảm họa, robot của tương lai có thể trông ít giống một “người máy làm mọi việc” hơn tưởng tượng. Thay vào đó, một nhiệm vụ sẽ được giao cho cả đội: drone đi trước để quan sát, robot bánh xe vận chuyển, robot bốn chân xử lý địa hình, cánh tay làm thao tác chính xác, còn một lớp phần mềm giữ chúng hoạt động như một hệ thống thống nhất.

Bước tiếp theo của hướng này không phải chứng minh rằng vài robot có thể phối hợp trong demo, mà là chứng minh đội hình dị thể có thể hoạt động ổn định trong thời gian dài, tự phục hồi khi thành viên hỏng, chia sẻ thông tin đáng tin cậy và mở rộng quy mô mà không biến bộ điều phối thành nút thắt mới. Nếu làm được điều đó, “robot tổng quát” có thể không phải là một cỗ máy. Nó có thể là cả một đội.