Робототехника

Технологические прогнозы — штука ненадежная: иногда кажется, что даже прогнозы погоды ошибаются реже. В 1994 году, например, вышел фильм «Патруль времени» с Ван Даммом в главной роли. Действие происходило в 2004-м: герой садился в машину, командовал: «Домой», и автомобиль сам ехал по маршруту. И вот на дворе уже 2026 год, а шанс встретить на дороге такую машину все еще ниже, чем бывшую одноклассницу в одной очереди в кофейне.

Чего уж говорить про самозавязывающиеся кроссовки и скейты на магнитной подушке из «Назад в будущее 2», которых ждали в 2015 году. Поэтому здесь сосредоточимся не на прогнозах, а на технологиях, которые уже работают на благо людей и бизнеса, расскажем, как в разных отраслях применяются автономные летательные аппараты и роботизированные системы, а также что изменилось в этих сферах за последние годы.

Привет, Хабр! Меня зовут Артем Лыков, я руководитель направления Physical AI в МТС Web Services. В начале июня я побывал на ICRA 2026 в Вене — одной из главных мировых конференций по робототехнике и автоматизации.

В этом году мероприятие проходило с 1 по 5 июня на площадке Messe Wien. Конференция собрала исследователей, инженеров, стартапы, промышленные команды и крупные компании, которые работают с роботами, автономными системами и физическим ИИ.

Ниже — репортаж с конференции и мой разбор главного тренда: робототехника уходит от идеи одной универсальной end-to-end-модели и собирает более практичный стек из нескольких уровней. Внизу — моторика и управление телом. Посередине — VLA, модели мира и связь восприятия с действием. Наверху — агентное планирование и проверка решений.

В прошлой статье мы разбирались с тем, как наука смотрит на вопросы увеличения прочности 3d модели, распечатанных с помощью fdm печати. 

Там же мы узнали, что огромное количество учёных занимает этот вопрос, и количество статей на эту тему исчисляется сотнями (если не тысячами), — исходя из чего, мы смогли до себя почерпнуть некоторое количество вводных параметров (толщина слоя, толщина стенок, параметры заполнения) — для разных пластиков, которые можно было бы использовать в своей практической деятельности. 

Практический смысл в этом знании такой, что мы там увидели, как можно было бы экономить пластик, и что 100%-заполнение при 3d печати — вовсе не единственный способ обеспечения гарантии высокой прочности распечатки. 

Однако, как я уже и говорил в этой статье, мы специально оставили в стороне, только немножко затронув, интереснейший вопрос — а как и в каких местах должны быть применены указанные параметры? 

Так как, даже интуитивно, многие, наверное, чувствуют, что «слои и заполнение надо сделать вот такими» — даже не изучав в своём институтском прошлом такую дисциплину как «сопротивление материалов» (попросту «сопромат» в обиходе), которая по большому счёту и изучает оптимальную форму конструкций для определённых материалов. 

Потому что, зачастую, это интуитивное ощущение оказывается верным, и пространственное расположение элементов конструкции распечатки весьма важно для прочности (и это мы уже увидели в прошлой статье) — однако это знание было бы неполным, без рассмотрения конкретных способов усиления определённых мест модели — что мы и рассмотрим в этой статье!

В гуманоидной робототехнике существуют два принципиально разных способа измерять «лучших». Первый — сколько денег компания привлекла и как её оценивают инвесторы. Второй — сколько роботов реально произвела и отгрузила.

Эти рейтинги кардинально расходятся. Компания с оценкой $39 млрд поставила 150 роботов. Компания без известной оценки отгрузила 5 500. Понимание этого расхождения — ключ к пониманию того, где реально находится индустрия.

Собранный в лабиринтах стэнфордских лабораторий, Shakey был настоящим чудом света для своего времени. Ведь это была первая попытка человечества создать автономного и мобильного робота, который был бы умен как самый мощный компьютер и маневренен как болид Формулы-1. Ну почти.

Под колпаком пузыря: как хайп позволяет вырастить гигантов — и что происходит с теми, кто не успел вырасти

Недавно поймала себя на мысли: в любом хайп-цикле инвесторы и медиа смотрят туда, где максимальный коэффициент выигрыша. На самые громкие ставки, самые амбициозные обещания. А те, кто строит понятный бизнес с реальными клиентами и сходящейся экономикой, — просто работают.

Результат предсказуемый: компании с нормальной юнит-экономикой и живыми клиентами хронически недоинвестированы. Не потому что плохи — а потому что неинтересны на фоне тех, кто обещает изменить всё.

Это не новая история. Именно так выглядел рынок во время доткомов. Только мало кто тогда понимал, на что на самом деле стоит смотреть — и чьи акции покупать.

Попробовала разобраться. Получилось эссе про то, как пузыри работают изнутри, кто из них выходит победителем — и почему победители почти никогда не те, на кого все смотрели.

Роботизация складской логистики постепенно перестает быть экспериментом и становится рабочим инструментом повышения эффективности. Однако большинство подобных проектов реализуется либо на новых объектах, либо требует существенных ограничений в работе склада на время внедрения.

В этом кейсе расскажем о роботизации распределительного центра (РЦ) «Новая Рига» X5 –  крупнейшем логистическом объекте торговой сети «Пятёрочка». Проект стал одним из самых масштабных внедрений мобильной робототехники в российском ритейле: на объекте был развернут комплекс из более чем 80 роботизированных устройств под управлением единой системы WCS Automacon.

При разработке электронных устройств порой надо подключить инкрементный энкодер.

Это могут быть устройства с регулированием громкости звука, яркости свечения, датчик оборотов одометра или что-н еще.

В этом тексте я показал как может работать программный компонент драйвера для опроса инкрементного энкодера.

Продолжение статьи про ИИ в реальном мире — по просьбам из комментариев.

Как устроено железо: из чего собран робот, почему компас врёт, дальномер ведёт под шкафы, а пистолет съел неделю вместо дня. Не туториал, а разбор граблей.

В начале XIX века английские ткачи ломали станки — не потому что не понимали технологию, а потому что понимали слишком хорошо. Два века спустя эта тревога возвращается.

Перевод статьи Why the Biggest Threat to Robotics Isn't Technical (Six Degrees of Robotics, Аарон Прейтер, май 2026) о том, почему главная угроза робототехнике сегодня — не техническая, с моими пояснениями для тех, кто следит за темой снаружи индустрии.

^{Web Gallery of Art}

В прошлой статье рассмотрели такую интересную тему, как один из элементов механических передач — шестерни. 

Однако, классическое рассмотрение сути шестерней не было бы полным, если бы не упомянуть и о новых, в том числе неклассических и нестандартных типах!

1 июня 2026 года на Computex в Тайпее Дженсен Хуанг объявил NVIDIA Isaac GR00T Reference Humanoid Robot. На сцене он сказал буквально: «Шесть футов, 150 фунтов — прямо как я». Партнёром по железу выбрана китайская Unitree Robotics.

Разберём, что это за платформа, почему NVIDIA выбрала именно Unitree и что это меняет для тех, кто работает с гуманоидами в исследованиях и разработке.

^{Benutzer:Ralf Pfeifer}

С самых давних времен и по нынешние дни человечество использует различные источники механической энергии, что, соответственно, вызывает и потребность в передаче усилия от этих источников — исполнительному механизму, для выполнения полезной работы. 

За прошедшие тысячелетия способы передачи механической энергии значительным образом эволюционировали, где, несмотря на это сама необходимость передачи усилия никуда не пропала и, даже самые последние разработки в области робототехники требуют этого — по крайней мере, пока мы не дошли до той стадии развития, где будет внедрена научная концепция «умной глины» (smart clay) — массива нанороботов, которые могли бы собираться в любую произвольную форму, для выполнения конкретной задачи (привет «жидкому терминатору»), без необходимости использования механических передач для переноса усилия.  

В свете этого, имеет смысл ещё раз рассмотреть, что с собой представляет передача механического усилия и как могла бы быть полезным образом использована! Это будет полезно и в том смысле, что те, кто не имел с этим вопросом дела, получат некоторое понимание о нём. Итак…

Привет, меня зовут Ашот Агабеков. Я Java backend‑разработчик.

В этой статье хочу рассказать про мой pet project для свободного времени - попытку собрать настоящего полноразмерного гуманоидного робота по проекту OpenLoong.

Многие пишут, что гуманоиды станут дешевле. Никто не объясняет, за счет чего и из чего вообще складывается их цена сейчас. Разбираем по компонентам — с цифрами из отчётов Bank of America и аналитической компании Yole Group.

Привет, Хабр! Меня зовут Максим Колодяжный, и я занимаюсь исследованиями на стыке 3D‑детекции и реконструкции сцен в команде «Пространственный интеллект» AIRI. 

Представьте: вы сняли на обычный смартфон несколько видео комнаты «с руки», загрузили их в софт, а на выходе получили не только 3D‑коробки вокруг всех стульев/столов/кроватей, но и точную 3D‑модель стен, пола и потолка. При этом система не просит у вас данные с датчика глубины (LiDAR) и даже не требует точных данных о положении камеры в каждый момент времени. 

Звучит как магия, не так ли? Однако, именно эту задачу и решает TUN3D — наш новый метод, который стал state‑of‑the‑art решением в комплексном понимании помещений, разработанный вместе с коллегами из Института ИИ МГУ, ВШЭ и Института механики. Статью с описанием метода приняли на престижную международную конференцию по робототехнике ICRA 2026! 

Хотел бы подробнее рассказать здесь о том, как устроен новый метод.

В статье рассматривается один из компонентов системы управления БЛА для поисково-спасательных работ — обнаружение людей на изображениях с бортовой камеры. Описан процесс выбора датасета, подготовки данных, обучения модели YOLOv8 и оценки её качества на тестовой выборке. Также приведены полученные метрики, примеры работы модели и обсуждаются возможные направления дальнейшего повышения точности обнаружения людей.

Привет, Хабр!

Задача многоагентного обучения с подкреплением (MARL) возникает всякий раз, когда несколько агентов взаимодействуют в одной среде, чтобы совместными усилиями решить общую задачу. Например, это могут быть футболисты, юниты в StarCraft или просто множество роботов, которым нужно дойти до своих целей в одном лабиринте. Очень часто агенты внутри сред не могут общаться и полагаются только на свои наблюдения. А вот что именно агенты наблюдают и как именно могут действовать — зависит и от среды, и даже от конкретного задания внутри неё.

В существующих работах по MARL модель, как правило, обучается под одну среду, и чтобы обучить её на новой среде, архитектуру нужно адаптировать. Мы же поставили перед собой грандиозную цель — создать единую модель (foundation model), которая сможет действовать в разных средах, переносить кооперативные стратегии между ними и легко адаптироваться к новым неизвестным заданиям. Но до этого ещё далеко, и начать нужно с более простого шага, а именно создать модель с единой архитектурой, которая не требует переделки под каждую среду и может обучаться на нескольких средах одновременно.

С вами Мария Нестерова из команды «RL агенты» Лаборатории когнитивных систем искусственного интеллекта AIRI. Мы с коллегами создали метод MARL‑GPT — единую модель, которая обучается на датасетах из трёх разных сред. Центральная идея — обрабатывать наблюдение агента как последовательность и использовать для этого архитектуру трансформер. Модель мы впервые представили на воркшопе WoMAPF'26 (Workshop on Multi‑Agent Path Finding, AAAI 2026), а расширенная версия статьи прошла отбор на AAMAS 2026.

Ниже краткий рассказ о проблеме, как мы её решали и много гифок.

У него не было бюджета огромной корпорации. У него даже не было специального образования. Но тем не менее, этот советский робо-Кулибин сумел создать автономного домашнего робота, который на ура справлялся со своими не всегда простыми задачами.

Представьте, что вы находитесь за рулем автомобиля. Даже находясь на пустой дороге, в отсутствии других участников дорожного движения, вам необходимо постоянно "подруливать", чтобы удержаться в полосе, притормаживать или останавливаться перед перекрестками и, наконец, поворачивать, останавливаться и парковаться. А теперь представьте, что все тоже самое вам необходимо делать с закрытыми глазами — примерно также "ощущает" себя автономный автомобиль без системы локализации.

Всем привет! На связи вновь команда разработки ЭвоКарго, а именно — команда локализации и картирования. Ранее обещали вам рассказать о том, как наш флот автономных грузовиков работает в нынешних условиях постоянного ограничения связи. Сделаем. Но для полноценного погружения решили сперва рассказать о том, как вообще устроена локализация в автономном транспорте. В этой статье в 2-х частях вы узнаете о том, почему задача локализации так сложна и какие способы для ее решения придумали инженеры.