Здравствуй, читатель! Меня зовут Алексей Морозов, и в этой статье мы разберём полный путь по созданию автономного манипулятора, от выбора компонентов до интеграции с компьютерным зрением и моделями YOLO! Приступим к работе.
Привет, Хабр.
Некоторое время назад я публиковал ElectroKit - Браузерный расчётчик электрики, полностью работающий в одном HTML-файле. Благодаря вашим комментариям удалось исправить множество неточностей и значительно улучшить проект, но я всё ещё работаю над ним
Появилась идея сделать похожую вещь для PID-регуляторов. Опять же неудобно - онлайн калькуляторы,где-то посчитать коэффициенты, отдельно переходный процесс, искать очередную реализацию PID и захотелось чтобы всё это было в одном месте как в ElectroKit и так появился PID Toolkit. И как всегда, любимая мне идея - локально, без установки, регистрации, смс и подключения к Интернету.(хотя про интернет это уже не так важно).
Почему вообще появился этот проект
Всё, что удалось найти это PID-калькуляторы которые умеют лишь вычислять коэффициенты по одному выбранному методу и потом всё равно приходится
1 - сравнивать разные методы настройки
2 - моделировать переходный процесс
3 - оценивать устойчивость системы
4 - писать код PID-регулятора под свою платформу
5 - помнить про derivative kick, anti-windup и многое другое
Теперь к самому инструменту.
В основе лежит модель FOPDT (First Order Plus Dead Time). Пользователь задаёт три параметра объекта коэффициент усиления K,постоянную времени T,время запаздывания L.
После этого инструмент сразу рассчитывает настройки несколькими методами:
Ziegler–Nichols (Open Loop); Ziegler–Nichols (Closed Loop); CHR (0% Overshoot); CHR (20% Overshoot); ITAE Servo; ITAE Regulator; Lambda / IMC.
Все результаты отображаются в одной таблице, которую можно сортировать по Kp, Ki, Kd
Циклические испытания материалов – это задача, где важны не только механика установки, но и качество программного контура: нужно управлять нагружением, синхронно снимать данные с датчиков, сохранять результаты и видеть процесс в реальном времени.
В совместном проекте внедрения с Институтом физики твердого тела (ИФТТ) РАН мы проверяли, можно ли использовать Engee как основу для автоматизации установки циклических испытаний композитных материалов. Перед нами стояла прикладная задача: реализовать сбор данных с тензодатчика и датчика перемещения и управление сервоприводом.
Как это часто бывает, действительно прорывную технологию в самом начале считают глупостью, игрушкой, веянием моды, которые завтра канут в Лету. Так было с первыми планшетными ПК, звуковым кино и даже самым обычным велосипедом.
По этой тернистой дорожке проехался на своих роликах и первый в истории массовый робот-пылесос Electrolux Trilobite. Сегодня мы расскажем его грустную историю.
Привет, Хабр! Меня зовут Татьяна Земскова, я аспирантка МФТИ и научный сотрудник команды Embodied Agents лаборатории Cognitive AI Systems AIRI. Областью моих научных интересов является компьютерное зрение для робототехники. Я изучаю, в частности, то, каким образом робот может использовать различные модальности (текст, изображения, сегментационные маски объектов) для лучшего понимания сцены и навигации.
Желаемыми свойствами современных навигационных систем является их универсальность, минимальность сенсорного сетапа и быстрота принятия решений на борту робота. Сегодня мы поговорим о том, как мы вместе с коллегами (Алексеем Староверовым, Дмитрием Юдиным и Александром Пановым) смогли создать и обучить лёгкую (130М) трансформерную модель, способную доезжать до любых категорий объектов, заданных текстом. Полученный метод описан в свежей работе OVSegDT: Segmenting Transformer for Open‑Vocabulary Object Goal Navigation.
На веб‑странице проекта можно найти ссылку на открытый исходный код с инструкциями по запуску и ссылкой на предварительно обученные веса модели. Это позволяет как воспроизвести наши эксперименты, так и попробовать запустить модель самостоятельно на собственных данных в симуляторе или на реальном роботе. В этом посте мы обсудим основные особенности модели и то, как мы пришли к этому методу.
Дисклеймер.
Пишу от своего имени свое непопулярное мнение. И да, возможно вы увидите здесь некую рекламу продукции. Конечно, я же в нее верю и вкладываю душу. Иначе бы работал над другим проектом.
Кто мы? Мы российский производитель автономных дронопортов «ЭРИ».
Кто я? Тот, кому этот продукт небезразличен. Тот кто готов рассказать про каждое его достижение, и каждое наше поражение.
Перейдем к самому интересному. Мы разработали принципиально новую станцию —Дронопорт Эри МИНИ 2.
Когда компания обосновывает покупку роботов, разговор почти всегда начинается одинаково: «сэкономим зарплаты стольких-то человек». Но стоимость человеческого труда — лишь верхушка пирамиды ценности, и часто наименьшая её часть.
На самом деле всё сводится к одному уравнению: ценность автоматизации, делённая на её стоимость, должна превысить определенный порог — и этот порог задаёт не рынок, а конкретный покупатель. Венчурный инвестор, которому надеется на удачный exit через три года, и государственный фонд, который мыслит десятилетиями, смотрят на одного и того же робота с принципиально разными ожиданиями — и один скажет «нет», а другой «да».
Перевод аналитического эссе о том, почему паллетайзер окупается, сбор фруктов — пока нет, а хирургический робот — да, хотя стоит дороже всех.
Статическое электричество известно людям тысячелетия. Еще до нашей эры древнегреческие ученые и ювелиры заметили, что если потереть янтарь о шерстяную ткань, он получит возможность притягивать к себе легкие предметы, такие как нить, волосы и перья. Греки называли янтарь «электрон» (ἤλεκτρον). От этого слова впоследствии произошел термин «электричество». Однако долгое время статическое электричество особо не находило применения и оставалось не более чем забавным феноменом, а физические принципы, лежащие в основе явления, не получали разгадки.
В современном мире статическое электричество нашло множество сфер применения. Одним из наиболее интересных направлений его использования стала разработка трибоэлектрических наногенераторов (TENG), в основе которых лежат два фундаментальных физических явления: контактная электризация (возникновение статических зарядов при трении или соприкосновении разнородных материалов) и электростатическая индукция (явление наведения собственного электрического поля в проводнике под действием внешнего электрического поля).
Трибоэлектричеством, составляющим часть названия таких наногенераторов, называют явление возникновения электрических зарядов при трении двух тел, причем этими телами могут быть диэлектрики, полупроводники и металлы одинакового или различного химического состава, но разной плотности.
HTCE: как мы строим ИИ, который не верит без доказательств
Большинство AI-систем сегодня стараются отвечать быстро и уверенно. HTCE строится иначе: это когнитивное ядро, которое сначала спрашивает — откуда взялось знание, можно ли ему доверять, сколько стоит проверка и не пытается ли внешний solver подменить истину своим вердиктом.
В этой статье я расскажу о системе нового поколения: не о чат-боте, который красиво имитирует интеллект, а о доказательном runtime, где факты, гипотезы, внешние свидетели, причинные цепочки, сжатие опыта и безопасность разделены архитектурно.
В контексте роботизации городов обычно обсуждают энергоэффективность, полностью беспилотное движение и автономные сады. Но в реальном мире проблемы всплывают совсем в других плоскостях.
Роботы-доставщики уже стали привычной частью городского пейзажа. В Лос-Анджелесе по улицам одновременно ездят сотни автономных курьеров компаний Serve Robotics и Coco Robotics. Они развозят еду, объезжают прохожих, стоят на светофорах и даже просят людей нажать кнопку перехода, поскольку сами этого сделать не могут. И чем больше их становится, тем чаще возникает вопрос: а кто при этом должен иметь приоритет на тротуаре? Неужели все это роботизированное братство двигает человека с его позиции «владельца города»?
Чтобы понять, почему обычный робот-доставщик внезапно стал проблемой для мегаполиса, придется сделать небольшой экскурс в историю городского планирования.
Не знаю как для вас, но мне всегда казалось очень странным, что, любой энтузиаст, желающий собирать какие-либо самоделки на базе микроконтроллеров, всегда сталкивается с весьма странной проблемой: как подключить двигатели наиболее простым способом?!
Потому что, самое первое, с чем придётся иметь дело при попытках разобраться с этим вопросом, так это с тем, что в глаза бросается просто какое-то безумное количество плат расширения, какое-то безумное количество датчиков, подключаемых удобным и не совсем образом….
А двигатели? А двигатели в пролёте в прокруте (на первый взгляд)…:-B
Ниже я рассмотрел пару решений, которые нашёл для себя в разные моменты времени в прошлом — возможно, они, в чём-то, будут полезны и для вас! ;-)
Первым перевод на русский этой работы Роберта Зубрина, выдающегося американского аэрокосмического инженера, писателя, публициста и главного идеолога пилотируемой колонизации Марса, сделал ЖЖ-юзер keldoor в Живом Журнале, в сообществе Движение за Русский Космос’s Journal.
Однако, тот перевод был распределен по нескольким постам, журналы уже давно не ведутся, и с того времени (статья впервые опубликована в октябре 1995 года, перевод на русский сделан в 2012) появилось много новых данных о возможности и технологиях колонизации Марса. Поэтому я взял на себя смелость сделать новый перевод, снабдив его своими комментариями с точки зрения ситуации на середину 2026 года.
Статья стала классической и обязательна к прочтению всем интересующимся историей и технологиями космоса! Для тех, кто не в курсе идей и технологий освоения Марса, статья и критические замечания дадут хорошее введение в тему.
Стартап Figure AI начинал с модели Figure 01 — эффектного гуманоидного робота для складов, логистики и производства. Демо выглядело как видео из будущего: робот ходит, манипулирует предметами, понимает команды и обещает закрыть задачи, где людям тяжело, скучно или опасно.
Но демонстрации в робототехнике почти ничего не доказывают. Настоящая проверка ждет в цеху: перегрев приводов, сбои, плохой хват, износ, брак, забравшийся на конвейер кот. За три года Figure дошла до этой точки. Figure 01 остался пилотным проектом, а фокус сместился на Figure 03, завод BotQ и собственную VLA-модель Helix. Компания решила поставить все на конвейер — выпускать одного робота в час (около 9 тысяч в год), самостоятельно делать запчасти, собирать, тестировать, контролировать качество и отказаться от внешнего ИИ в пользу собственного стека.
Здесь и возникает главный вопрос: роботы действительно готовы заменить людей или это все еще дорогие демо-модели, оторванные от реальности? Можно ли изъять человека из производственной цепочки и поставить на его место гуманоида? Способен ли робот отработать смену без поломок, брака и травм?
Figure пытается доказать, что этот момент уже близко — на заводах, складах и в логистике, где задачи фиксированы и нет активного взаимодействия с людьми. Компания предлагает универсальную физическую платформу — «тело» для ИИ, которому давно не хватало возможности выйти из экрана в реальный мир. И это как раз тот уровень развития ИИ и робототехники, который находится на подъеме. Давайте разберем каждый шаг в контексте технологических волн и попытаемся заглянуть в будущее.
Если вы хоть раз пытались сделать печатную плату сложнее «мигалки на светодиоде», вы знаете цену «геометрического ада».
ЛУТ (лазерно-утюжная технология) — это лотерея. Классический фотометод требует идеального шаблона, а профессиональный фотоплоттер стоит как подержанный автомобиль. Казалось бы, решение на поверхности: взять доступный китайский лазерный гравер за $100 и вперёд. Но тут начинается новый «ад»: оси изначально кривые, реальный шаг моторов живёт своей жизнью, а заготовка почти всегда лежит на столе с перекосом в пару градусов. Малейшее отклонение — и прецизионный Gerber превращается в бесполезный кусок текстолита.
Я решил эту проблему иначе. Зачем часами юстировать механику, если можно переложить всё на математику и нейросети?
Представляю LPP-Laser — флагманское направление открытой модульной платформы LPP (Linear Path Platform). Система не требует от станка совершенства. Она просто «натягивает» ваш проект на реальность.
По всей видимости, домашние роботы на подходе. Не огромные андроиды в человеческий рост и на двух ногах, но маленькие компаньоны на сервоприводах. Которые научаться понимать человека и будут учиться через эмпирический опыт самостоятельно.
Всё больше появляется сообщений о проектах с применением человекоподобных роботов на производстве. Основная гипотеза: человекоподобный робот, может работать вместо человека, так как всё на производстве уже сделано для человека и человек работает.
Ниже разберём гипотезу о целесообразности использования человекоподобных роботов в производственных процессах обработки поверхностей (шлифовка, полировка, пескоструйка, покраска и т.д.) в актуальном периоде.
Основной вывод: человекоподобные роботы вряд ли станут оптимальным решением для производства, где точность, производительность и скорость являются основными критериями выбора.
Хабр, привет! Меня зовут Егор Черепанов. Я аспирант Центра когнитивного моделирования МФТИ и младший научный сотрудник команды «Воплощенные агенты» лаборатории когнитивных систем искусственного интеллекта AIRI. Я занимаюсь памятью у роботов и RL‑агентов, и сегодня хочу рассказать об одной из наших работ — архитектуре ELMUR, которую мы представляли в апреле на ICLR 2026.
Память у современного робота сегодня — это почти всегда контекст трансформера Vision‑Language‑Action модели, поскольку последние уже прочно закрепились как стандарт в этой области. Проблема в том, что механизм внимания имеет квадратичную сложность по длине последовательности, а значит долгосрочная память для робота будет обходиться слишком дорого, если пытаться наивно увеличивать размер контекста.
Новая архитектура призвана решить эту проблему. О том, что у нас получилось, читайте в статье ниже.
19 апреля 2026 года робот-гуманоид Honor Lightning пробежал полумарафон за 50 минут 26 секунд. Он побил мировой рекорд среди людей на 7 минут, а лучшее время среди роботов годом ранее – почти на два часа. Сразу хочется спросить: за счёт чего? Какая-то секретная технология? И как они умудрились обойти куда более известную Unitree, которой, по сообщениям, пришлось выдать своему роботу рюкзак со льдом, лишь бы он добежал до финиша и не перегрелся? На самом деле никакой магии нет. Есть моторы, передаточные числа и грамотный инженерный компромисс. Давайте разберёмся по порядку.
Для эксплуатации автономного транспорта критически важно точно знать:
1. где находится транспортное средство, 2. в каком направлении оно движется, 3. с какой скоростью оно перемещается.
Это и есть задача систем локализации.
Как автономный транспорт может понять свое местоположение? Может ли ездить по обычной карте из навигатора? На каких методах построена система локализации? Ответы на эти вопросы вы… найдете в предыдущей статье этой серии :)
В этой части мы — команда локализации и картирования ЭвоКарго — сделаем шаг глубже и посмотрим на основу всей системы: данные.
На первый взгляд всё выглядит просто: чем больше сенсоров, тем больше данных, и тем точнее результат. На практике увеличение числа сенсоров не устраняет неопределенность. Каждый источник данных живет в своей «реальности», со своими физическими ограничениями, своими погрешностями и сценариями деградации. В результате система сталкивается не просто с шумом, а с противоречиями. Поэтому локализация — не про измерения, а про интерпретацию противоречивых данных в условиях неопределенности сотни раз в секунду.
Эта большая статья про то, какие сенсоры применяются в автономности, какие неточности в измерениях каждого из них, почему это неизбежно и за счет чего система локализации успешно работает в подобных условиях. И почему нашим машины постоянно чувствуют себя, как Траволта в Криминальном чтиве :)
Микроконтроллер RP2040 имеют очень гибкую и понятную систему тактирования, но вот настройка тактирования в нативном SDK реализована очень запутано. В рамках этой заметки я попытался разобраться как гибко настроить тактирование ядра и периферии для достижения необходимого уровня энергопотребления, а также как правильно переводить микроконтроллер в режим минимального энергопотребления для использования в проектах с батарейным питанием.
