Разработка робототехники

Мы, студенты столичного университета, очень страдаем от недостатка внимания нашего руководства кафедры. Проблему необходимо было решать кардинально и бесповоротно. Внутривузовские проекты не дали бы необходимого эффекта, поэтому на собрании сообщества было принято решение устроить акцию и раскрасить самый центр города Москвы Чистые пруды.

Так как бегать с кисточками на морозе звучало не сильно заманчиво, мы решили поручить эту задачу роботу. Как говорится, готовь сани летом... Конечно, никто их не приготовил, но и собирать платформу робота с нуля никто не собирался. Предложили переоборудовать один из существующих проектов под это дело.

Big Fucking Printer

Складской робот сmecanumколёсами вот наш избранник. Первая проблема была в этих самых колёсах, они совершенно не подошли для езды по снегу, да и клиренс оказался маленьким. Вообще, к роботу-маляру требований значительно больше, чем к грузовой платформе. За месяц с хвостиком перед командой стояло огромное количество задач.

• Разработать систему разметки поля

• Придумать маркер для нанесения краски на огромную площадь

• Переделать всю электронику робота, не кататься же на бееедуине, верно? Никто ведь так не делает, правда?

• Разработать стек навигации для робота

• Написать пару*строк кода

Ну что, строим?

Конечно же нет, ведь нужно выбрать из чего, как и сколько это будет стоить. Для решения вопроса с навигацией мы потратили не мало времени и ни одно копьё было сломано.SLAMотвергли наши программисты-питонисты-(дата сатанисты). Инерциальный датчик отвергли программисты-электронщики. А вот езда по тросу понравилась всем. Еще были такие варианты: расставить лазеры, расставить метки, использовать энкодеры на колёсах, лазерная рулетка,GPSи много всего другого. Размер нашего холста: 40x50 метров. Для определения текущего положения робота с точность до 1 см использовалась связка энкодера и инфракрасного датчика расстояния. При помощи ввёртышей и талрепов натягивается трос каждые 5 метров. На роботе устанавливается каретка с энкодером, ее отклонение фиксирует датчик расстояния. Трос проходит через энкодер и при смещении робота относительно троса, смещается и каретка. Конструкция хоть и простая, но на таких расстояниях крайне эффективная.

Допустим мы знаем наше положение на поле, но чем и как мы будем рисовать? А почему бы не использовать готовые решения? Итак, мы обзавелись обычным аэрографом, компрессором с ресивером и огромной направляющей из алюминия длинной в 5 метров. Каждые 10 сантиметров робот останавливается, аэрограф совершает поступательное движение по рельсе и наносит часть изображения. Для приведения аэрографа в движение к нему прикрутили мотор с шестерней, а на рельсе установили зубчатую рейку, бережно отфрезерованную из обрезков фанеры.

Теперь-то строим?

Почти. Моделируем. СвязкаSolidWorksиFusion360, запихнутая вGazebo это отдельный способ извращений, но команда состоит из творческих людей с различными взглядами на жизнь. Так или иначе, лучший файлообменник телеграмм соединяет сердца инженеров. Модель робота была кропотливо разработана вCADсистемах (а с нашим бюджетом мы не могли позволить купить лишних запчастей) и протестирована в симуляторе, ведь пруды чистые, а не черновые.

Итого, детали в пути, и мы приступаем к проектированию плат и написанию кода. Робототехников хлебом не корми, дай на питончике, да на плюсах покодить,а вот держи. Собственно мозгами робота сталиRaspberryPi,STM32-Discoveryи несколько плат с камушками серииSTM32F1. Их связь осуществляется черезUART. Для питания сего изобретения были выбраны литиевые аккумуляторы в сборке 12s8p, переваренные из батареиTeslaи два 12-вольтовых гелиевых аккумулятора. В качестве движителей общим решением были избраны моторыNema-23 с планетарными редукторами 1:4. Дешёвые драйверы двигателейTB6600 расплавились при первом включении, пришлось срочно искать замену DM860H.

Когда все детали приехали, а мы уже порядком подустали, стало ясно, что времени осталось мало, скоро весна, а пруд превратится в шугу. Реализовать задуманное планировалось ещё до новогодних праздников, но сессия в университете вмешалась и поломала весь тайм-менеджмент, а еще оставила без стипендии. Правильно, зачем же робототехнику материальные блага, достаточно духовной пищи.

Полевые испытания

Тем временем, работа по конструированию, сборке и программированию подходила к концу.Для испытаний оставалось зарядить аккумуляторы, смазать втулки, залить код и озаботится выбором краски. Первые испытания было решено провести в хоккейной коробке.

После пар мы бросились собираться. Оказалось, что про краску все забыли, а единственная субстанция под рукой, имеющая хоть какой-то оттенок, оказалась гуашь. Ладно, и так сойдет посчитали мы. Коктейль состоял из литра воды с пачкой гуаши, а также туда отправилось пол-литра медицинского спирта.

Первые испытания боевого робота показали, что гуашь не видна даже в такой большой концентрации на снегу после распыления, а гелиевые аккумуляторы не обеспечивали необходимый ток для работы компрессора. Из плюсов: мы провели калибровку датчика расстояния (ошибка не более 5см на 5м).

Вторые испытания также не увенчались успехом. Для прижима краскопульта мы хотели использовать шаговый двигательNema-17 с трапецеидальной винт-гайкой, установленные на корпус робота, и тормозным тросом от велосипеда длиной 3м для передачи усилия. Решение спорное, но мы не хотели вешать такую тяжелую конструкцию на каретку. Так вот, это не сработало и пришлось переместить весь блок системы прижима на печатающую голову.

Финальный эксперимент?

Чтобы управа района одобрила покраску Чистых Прудов, нам было необходимо продемонстрировать работоспособность робота. Итак, в последний раз мы отправляемся в хоккейную коробку. Что по изменениям? К краскопульту добавили шторки, чтобы краска не летела во все стороны, а также не намерзала на винтовой передаче. Добавили систему подачи краски в ресивер краскопульта. В качестве краски использовали колер, разбавленный спиртом. Как вы понимаете, спирта было потрачено много. Гелиевые аккумуляторы дополнились сборкой 4s8pиз тех же аккумуляторовTesla, которыеPanasonic.

Рисовать решили логотипYouTube-канала Техникум, они ездили с нами на испытания, поэтому мы захотели их отблагодарить.Окраска квадрата 5x5м заняла около 30 минут. На удивление, первый видимый результат получился удовлетворительным.

Ало, пустите на пруд?

Работа над проектом затянулась на 3 месяца. Последние испытания мы провели 18 марта, когда на улице температура стала колебаться около нуля. Нам вежливо предложили отказаться от этой идеи. Да, мы не успели довести дело до финальной точки в этом году. В следующем году мы постараемся все же выехать в центр города и провести нашу акцию. А пока, можете посмотреть результат работы в нашем инстаграм-аккаунте:artbot.moscow

P.S.

Сейчас мы продолжаем совершенствовать робота. Первоочередная задача перенос стека навигации на aruco метки, чтобы робота можно было использовать в помещениях. 17 апреля в университете науки и технологий НИТУ "МИСиС" пройдёт день открытых дверей. Мы будем рисовать логотип университета в центральном лобби, фотоотчёт будет в инсте.

Подразделение Microsoft Research недавно опубликовало предварительный релиз Lean4. Предыдущие версии Lean были сосредоточены на том, чтобы быть помощником по доказательствам программным инструментом, который облегчает разработку строгих математических доказательств с помощью интерактивной совместной работы человека и машины. До сих пор язык Lean в основном применялся для оцифровки теоретической математики.

Главная цель Lean4 сделать Lean хорошим языком программирования, а не просто помощником по доказательствам. Синтаксис был переработан во многих отношениях, чтобы облегчить написание более широкого спектра программ. Был написан оптимизирующий компилятор, генерирующий эффективный код на языке C. Он обладает новой высокопроизводительной технологией управления памятью, помогающей избежать проблемных пауз во время работы, которые часто сопровождают такие инструменты (например сбор мусора), и при необходимости легко интегрируется с существующим кодом C/C++. В настоящее время Lean в значительной степени самодостаточный язык, который написан на самом языке Lean.

Чтобы оценить пригодность Lean как языка программирования для реальных систем, мы решили написать Lean-реализацию контроллера робототехники, работающего на одноплатном компьютере. Чтобы сделать задачу интереснее, мы выбрали контроллер для двухколёсной роботизированной платформы. Если Lean-программы не способны подавать двигателям команды в режиме реального времени в ответ на входные сигналы датчиков, система в буквальном смысле упадёт.

Наша цель состояла в том, чтобы создать работающий контроллер на языке Lean. Это отличается от того, о чем обычно думают при использовании программ для доказательства теорем. Как правило, можно указать формальную модель контроллера, которая может опустить низкоуровневые детали, определить отражающие предположения аксиомы, которые, как ожидается, будут верны для окружающей среды, а затем попытаться доказать, что контроллер стабилизировал систему в мире, удовлетворяющем аксиомам окружающей среды. Это достойная цель, и мы хотели бы в итоге её достичь. Однако, поскольку при фактической реализации контроллера для этого проекта будет использоваться язык Lean, нам необходимо было включить детали низкого уровня, которые в противном случае могут быть опущены.

Мы начали с покупки двухколёсного робота за 90 долларов и стали проводить эксперименты с языком Lean. Мы проверили сгенерированный код на языке C и библиотеку времени выполнения и обнаружили, что код вполне переносим. К сожалению, предварительный выпуск библиотеки времени выполнения Lean содержит зависимости (например от библиотеки libgmp), и она слишком велика для контроллера робота на базе Arduino. К счастью, сгенерированный код легко запускается на компьютере Rasberry Pi.

Мы приобрели 8-гигабайтную версию, чтобы скомпилировать Lean непосредственно в ней. Это добавило 80 долларов к стоимости нашего проекта, и мы вписались в наши необходимые аппаратные ограничения, а авторы Lean заинтересованы в решении проблем с размером библиотек времени выполнения.

Следующим шагом стало разделение существующего кода роботизированного контроллера для работы через последовательное соединение Bluetooth, чтобы запустить все алгоритмы управления на Rasberry Pi, сохранив при этом минимальный код для управления двигателем и считывания данных акселерометра на плате Arduino. Это было довольно просто, но потребовало использования сервиса Google Translate, чтобы понять комментарии в исходном коде. Исходный код после перевода комментариев можно посмотреть здесь, а разделённый на секции код Arduino после извлечения алгоритмов управления здесь.

Затем мы транслировали код управления с языка C на язык Lean с помощью ручного, но довольно простого процесса. Версия Lean 4 в конечном счёте создаёт функциональные определения и обладает точностью, модульностью и композиционными преимуществами функционального программирования. Однако она имеет многофункциональный исходный язык, который позволяет использовать циклы for, мутабельные локальные переменные и структурированные операторы управления потоком, такие как break и continue. Внутри Lean4 использует сложный процесс анализа для автоматической и прозрачной реструктуризации кода в функциональное определение. Это снизило уровень усилий, необходимых для портирования с языка C на язык Lean.

Написанный нами код Lean доступен широкой публике на Github. Основная функция пошагового управления BalanceCar.update выполняется каждые 5мс. Для оценки ориентации робота по показаниям гироскопа и акселерометра (6 DoF IMU) используется фильтр Калмана. Контроллер PD принимает состояние ориентации в качестве входных данных и определяет скорость двигателя, таким образом замыкая контур управления.

После завершения портирования мы написали некоторый код на языке C, чтобы подключить код управления на языке Lean к последовательным API-интерфейсам Bluetooth, и опробовали его. Первоначальные результаты были занимательными, но не совсем правильными:

Это немного разочаровало, но такое случается в реальном программировании. Мы провели несколько тестов, внесли некоторые изменения, чтобы уменьшить задержку Bluetooth, и исправили в Lean-коде попутно обнаруженную ошибку. В итоге мы успешно создали работающего робота:

Как отмечалось ранее, это был всего лишь небольшой эксперимент для тестирования языка Lean в контроллере реального времени и работы, необходимой для ручного переноса кода с языка C на язык Lean. Мы ещё не проверили правильность контроллера (пока), но, когда у нас будет немного больше времени, мы планируем поработать над этим и интегрировать контроллеры на языке Lean в экосистему ROS, чтобы и другие люди могли опробовать его. У нас также есть более крупный проект, в котором языки Haskell и Lean, а также SMT-решатель используются совместно, чтобы создать проверенный декомпилятор от 64-разрядной версии с архитектурой x86 до LLVM. В будущем у нас будет больше информации об этом.

Вся работа, которую мы проделали для этого проекта, находится в открытом доступе, чтобы её могли попробовать выполнить те, кто в этом заинтересован. Мы намеренно использовали относительно недорогого робота, чтобы люди могли легко опробовать код. Так можно опробовать Lean лично или показать студентам, что вы можете писать реальные программы на этих языках. Если у вас есть какие-либо вопросы о проекте, вы можете пообщаться с нами на канале Lean Real-time Systems (Системы реального времени на языке Lean) сервиса Zulip.

Хочется поблагодарить авторов Lean, которые помогли сделать это возможным, а также Джоуи Доддса за комментарии, которые помогли улучшить эту публикацию.

Мы уже писали о том, как ML и компьютерное зрение используют на обогатительных фабриках, и если вы хотите научить роботов или машины видеть мир, принимать решения и действовать по ситуации, обратите внимание на наш курс "Machine Learning и Deep Learning" партнером которого является компания Nvidia.

Также можете взглянуть на профессию C++ разработчик, на котором можно прокачаться или освоить С++ с нуля. Приходите будет сложно, но интересно!

Узнайте, как прокачаться и в других специальностях или освоить их с нуля:

• Профессия Data Scientist

• Профессия Data Analyst

• Курс по Data Engineering

Почему я решил написать этот пост?

Вы конечно же можете посмотреть оригинальную инструкцию по установке ROS Noetic на сайте ROS Wiki , однако там все на английском и объясняется весьма туманно, я же постараюсь объяснить вам как можно понятнее. Итак, начнем.

Что такое ROS?

ROS Операционная система для роботов, остов для программирования роботов, предоставляющий функциональность для распределённой работы. ROS был первоначально разработан в 2007 году под названием switchyard в Лаборатории Искусственного Интеллекта Стэнфордского Университета.

Можно ли установить ROS Noetic на другие версии Ubuntu?

Правильного ответа на этот вопрос нет. Отдельные пакеты Noetic вроде как можно установить на другие версии операционной системы, однако стабильность их работы не гарантируется. Поэтому скорее все нет. Итак, давайте все-таки перейдем к самой установке.

Что делать если я использую другую версию Ububntu

ROS разрабатывался в разных версиях, которые устанавливаются на разные версии Ubuntu.

Как установить ROS если вы использует другую версию Ubuntu? Легко! Просто во всех примерах кода заменяйте слово noetic на название той версии, которая удовлетворяет вашем характеристикам например вместо ros-noetic, вы можете написать ros-melodic

Подготовка к установке. Настройка репозиториев

Начнем с того, что существуют четыре основных репозитория:

• Main- бесплатное программное обеспечение с открытым исходным кодом, поддерживаемое Canonical.

• Universe- бесплатное программное обеспечение с открытым исходным кодом, поддерживаемое сообществом.

• Restricted- проприетарные драйверы для устройств.

• Multiverse- Программное обеспечение, ограниченное авторским правом или юридическими вопросами.

Итак, начинаем настройку. Сначала открываем вкладку "Программное обеспечение Ubuntu" и в настройках "Ubuntu Software" ставим галочки так, как показано на картинке

Далее переходим во вкладку "Other sowtware" и ставим галочки на пунктах Canonical Parthners и Canonical Parthners(source code)

Установка этих параметров поможет корректно установить пакеты ROS

Установка ROS Noetic

Шаг 1

После настройки репозиториев можем приступать к самой установке. Для начала настраиваем систему на прием пакетов программного обеспечения с packages.ros.org . Вставляем в терминал следующую команду:

sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $ (lsb_release -sc) main"> /etc/apt/sources.list.d/ros-latest.list'

После этого настраиваем свои ключи. После добавление репозитория вводи одну из следующих команд:

sudo apt-key adv --keyserver 'hkp://keyserver.ubuntu.com:80' --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654

В качестве альтернативы мы можем использовать curl вместо команды apt-key, что может быть полезно, если вы находитесь за прокси-сервером:

curl -sSL 'http://keyserver.ubuntu.com/pks/lookup?op=get&search=0xC1CF6E31E6BADE8868B172B4F42ED6FBAB17C654' | sudo apt-key add -

Шаг 2

Во-первых обновляем пакеты с помощью команды

sudo apt-get update

Шаг 3

Начинаем установку. Для этого надо решить, какой ROS вы хотите себе установить:

1. Desktop Full - та сборка, которую я вам рекомендую ставить. Эта версия устанавливает все, что только можно: 2D/3D симуляторы и программы восприятия. Для того, чтобы установить эту версию пишем в терминале:

sudo apt install ros-noetic-desktop-full

2. Desktop Instal - этот пакет содержит в себе все компоненты на базе ROS, а также и такие элементы как rqtиrviz. Для установки этой версии пишем в терминале следующую команду

sudo apt install ros-noetic-desktop

3. ROS-Base: (Bare Bones) - это просто голые библиотеки и пакеты ROS. Это тот вариант, который подойдет для продвинутых специалистов. Для установки этого варианта пишем в терминале:

sudo apt install ros-noetic-ros-base

Также вы можете установить какой-либо конкретный пакет ROS воспользовавшись командой:

sudo apt install ros-noetic-ИМЯ_ПАКЕТА

Шаг 4

Устанавливаем пакет bash, в котором мы будем использовать ROS. пишем в терминале:

source /opt/ros/noetic/setup.bash

Шаг 5

До сих пор вы устанавливали все, что нужно для запуска основных пакетов ROS.Для создания и управления собственными рабочими пространствами ROS существуют различные инструменты и требования, которые распространяются отдельно.Например,rosinstall- часто используемый инструмент командной строки, который позволяет легко загружать множество исходных кодов для пакетов ROS с помощью одной команды. Для его установки пишем в терминале:

sudo apt install python3-rosdep python3-rosinstall python3-rosinstall-generator python3-wstool build-essential

Шаг 6

Прежде чем вы сможете использовать многие инструменты ROS, вам нужно будет инициализироватьrosdep. Онпозволяет легко устанавливать системные зависимости для исходного кода, который вы хотите скомпилировать, и требуется для запуска некоторых основных компонентов в ROS.Если вы еще не установилиrosdep, то самое время его установить. Для этого пишем в терминале:

sudo apt установить python3-rosdep

Шаг 7

Для инициализации rosdep пишем в терминале:

sudo rosdep init

И потом пишем следующее:

rosdep update

ИТОГ

Поздравляю вас с установкой ROS Noetic. Теперь вы можете начать программировать собственных роботов с помощью ROS.

Обучать детей техническому мастерству, либо программированию можно по-разному. Я нашёл наиболее эффективный способ, при котором вовлеченность детей в процесс максимальна и вы остаётесь не с пустыми карманами.

4 года назад я открыл первый кружок робототехники в небольшом городе. За первые 3 месяца набрал 80 детей на занятия без особого труда и знаний в области маркетинга. Однако за 4 года утекло много воды и сейчас старые методы привлечения детей на занятия уже не работают. Долгие годы в России и странах СНГ активно развивались только спортивные направления, футбол, баскетбол, единоборства. Однако за последние годы количество интеллектуальных кружков и секций росло, как грибы после дождя. Начали формироваться крупные игроки, но до консолидации рынка детского технического образования ещё очень далеко. Вначале появились школы робототехники, после подключилась ментальная арифметика и скорочтение, направленная больше на ребят помладше. Позже подтянулись школы программирования.

За 4 года работы, кружки робототехники, открывающиеся под моим началом, менялись в соответствии с текущими трендами, не забывая о стратегии, обозначенной в самом начале пути - дать детям возможность развиваться технически, и когда придёт время, после школы не тыкать пальцев в небо, а точно знать, по какой специальности пойти учиться дальше и в какой университет или техникум поступать.

Ответ на вопрос "Что запускать, кружок робототехники или технический центр?" многим может показаться очевидным, однако всё не так просто, как кажется на первый взгляд. Ко мне обращается множество людей, по вопросам открытия технической детской школы, и почти все нацелены либо на робототехнику и электронику, либо на школу программирования. На старте пути я был таким же, воплотил в жизнь то, что было ближе - я неплохо разбирался в электронике и построил школу робототехники, но сейчас такой подход прокатит далеко не везде. В прошлых статьях я писал, на чистом альтруизме далеко не уехать - ваш детский центр должен приносить доход, чтобы вы могли обновлять техническую базу и кормить себя и семью. И речь здесь не о получении 20-30 тысяч дополнительного дохода в месяц, речь о получении минимум 100 тысяч рублей в месяц с детского центра. При таком раскладе, руки у вас не опустятся никогда, школа будет непрерывно развиваться, качество подаваемого материала расти, посещать занятия будет всё больше и больше детей.

В школе робототехники я довольно быстро уткнулся в стеклянный потолок - заявки на занятия становились всё дороже, экспонента насытилась и прежние методики привлечения клиентов становились неэффективны. И тогда я начал запускать новые курсы. И речь здесь не о пустом добавлении направлений в текущую систему, я начал строить экосистему, где каждый новый продукт дополнял предыдущий. В детском центре, куда ходило 50 человек на робототехнику, и больше было набрать уже слишком дорого, я запустил программирование. Дети уже работали с компьютером, когда учились программировать микроконтроллеры на курсе робототехники, но там я столкнулся с проблемой - программировать нужно на С++, который в базе дети ещё понимали, изучили переменные и условия, но когда дело дошло до циклов, половина отвалилась. На массивах, особенно двумерных всё стало намертво. До сих пор я старался давать детям максимум практики, минимум теории, но здесь этот подход не сработал. Я всячески пытался обучить детей сделать что-то посложнее, чем робота, ездящего по линии, или руку на сервоприводах, но ничего не получалось. Вернее, результат был, но значительно увеличился процент оттока детей. Кто-то понял материал и пошёл дальше, но добрая половина не могла понять ничего, как бы я не старался. И вот тогда, именно для них был создан курс программирования, где на старте учимся делать сайты - базовый html и css, где практически нет ни какой логики. Ребёнок делает сайт и у него получается. Более того они получают ощутимый результат н каждом занятии. Когда первые два языка поняты полностью, переходим к Java Script, попутно добавляя нотки C++. Так как дети уже щупали код до этого, их мозг понемногу перестраивается на логику компьютера, и тут плюсы или скрипты даются гораздо проще.

Далее я задумался, как можно привлечь девочек в технический центр? На робототехнику и программирование ходили в основном мальчики. Их было больше 95%. Но ведь девочек как минимум половина. То есть половина рынка лежит рядом и стандартным путём выйти на него не получится. Для девочек я запустил курс по графическому дизайну. На старте изучаем Фотошоп. Привязываем его к практике - работе в типографии или рекламном агентстве. Они учатся делать визитки, календари, блокноты. Разрабатывают дизайн в Фотошопе, после чего печатаем, ламинируем, сажаем на пружину на брошюраторе. Всё, что изготовили, забираем себе. Некоторым девочкам хватило квалификации, чтобы полностью задизайнить и изготовить школьный дневник.

Так в чём же здесь магия? Она начинает работать тогда, когда у вас есть база робототехников в 50 человек, и вы им говорите, что запускаете программирование отдельным курсом, куда каждый может прийти на первое пробное занятие. Из 50 человек пришло 25. Из 25, пришедших на первое пробное занятие, 18 осталось ходить на постоянной основе, не бросая при этом робототехники. Получается, что без дополнительных вложений в рекламу, к вам уже ходит не 50 человек, а 68. То же самое произошло и с дизайном. Первоначально я задумывал данный курс для девочек, но мальчикам там оказалось не менее интересно. За несколько недель я увеличил клиентскую базу на 50%, фактически не увеличивая её. Половина детей стала посещать 2 и более курсов. Рекордом был мальчик Женя, который ходил параллельно на робототехнику, программирование, авиамоделирование, репетиторство по физике и математике. Он посещал у меня параллельно 5 курсов. И ему это безумно нравилось.

Но магия здесь не только в том, что можно расширить базу клиентов из текущей базы. Раньше, когда я звонил клиенту по заявке, предлагал ему робототехнику, рассказывал о всех плюсах, что получит ребёнок, если слышишь ответ "нет, не интересно", то говоришь - "ну ок". Теперь же, я могу предложить ему ещё и программирование, или дизайн, или может быть ЧПУ станок? А авиамоделирование нравится? А хотите в бесплатном пробном формате попробовать всё сразу, а потом уже решим? Большинство из новых ребят, таким образом, сходу начинает посещать несколько курсов одновременно. А это увеличение среднего чека фактически в два раза. Вот здесь и находится магия. Все остаются в плюсе - дети изучают материал более комплексно, а так как они посещают несколько курсов, на стыке этих знаний рождаются самые крутые проекты и решения. Хотите метеостанцию с веб интерфейсом в реальном времени? Пожалуйста. А хотите сеть метеостанций, которые каждый ребёнок устанавливает у себя дома? Пожалуйста. А может быть вам интересна деревянная картина с подсветкой? Нет проблем.

Дети довольны, родители так же рады, что их ребёнок нашел увлечение, и бежит на очередное занятие с удовольствием, а не из под пинка. Вы получаете геометрический рост клиентской базы, не прикладывая дополнительных усилий в маркетинге. Все остаются довольны.

Комплексный детский технический центр запустить сходу достаточно трудно, но это и не требуется. Стоит начинать сразу с робототехники и программирования на две возрастные категории - малыши (5-7 лет) и старшие ребята (8+ лет) Тогда вы получите не 2, а 4 курса сразу. Кстати, у малышей статистика еще интереснее. В прошлых статьях я рассказывал про формат робототехники для малышей. Так вот малышей на робототехнику ходило 20 человек, когда я запустил программирование, привязав сюжетные линии, сделав рабочие тетради, наподобие тех, что дети использовали на робототехнике, из 20 детей, 18 пошло ещё и на программирование. Здорово, правда?

Подведём итоги:

Школа робототехники сама по себе - не плохой вариант. Но детский технический центр с множеством курсов здесь безоговорочно выигрывает. Это как раз тот случай, когда 1+1=11.

Сегодня я бы хотел рассказать в цифрах, что же на самом деле происходит за кулисами детского технического образования в России. Вы будете сильно удивлены.

Кто я такой? Меня зовут Максим Иванков. 4 года назад я открыл свою первую школу робототехники в небольшом городе Краснодарского края. За несколько месяцев на занятия ходило уже 80 детей, я открываю ещё один центр в соседнем городе, и ещё один открывает знакомый с моей помощью под Ростовом. Через год, не имея практически ни какого опыта, я попытался запустить сеть собственных детских технических центров. За пол года было открыто 6 детских центров. Что из этого получилось, можете почитать в прошлых статьях, но если кратко - я совсем не разбирался в маркетинге, управлении и финансах. Когда масштабируешь бизнес, в узких местах обязательно прорвёт трубу, что и произошло. Первый кассовый разрыв наступил через пару месяцев, хотя узнал я о нём через пол года) И такое, как оказалось бывает. После неудачной попытки в масштабировании, я сжался обратно до нескольких детских центров и плотно начал работать над качеством, а так же решать проблемы, возникшие во время масштабирования. За последующие два года, школы робототехники превратились в комплексные детские технические центры, были проработаны и усилены все моменты, которые дали течь в первый раз. Сама бизнес модель претерпела сильное изменение. В следующем учебном году, я планирую заходить в эту реку ещё раз. И в преддверии масштабирования, решил глубоко проанализировать рынок детского технического образования в России.

Но сперва, я бы хотел рассказать несколько интересных историй, которые сильно мотивируют меня заниматься детским техническим образованием в глобальном масштабе. Вы слышали про сеть автосервисов Вилгуд? Эти ребята сейчас рвут рынок автосервисов в России. У них очень интересная история. Выбирая очередное дело, которым хотелось бы заняться, они исходили из многих параметров, в том числе, из одного нового - консолидации рынка. Что такое консолидация рынка? Попробуйте открыть продуктовый магазин между Пятёрочкой и Магнитом, и тогда узнаете. Много секторов глобального рынка уже давно поделено между несколькими крупными игроками. Если в такой сектор пытаются влезть предприниматели, то чаще всего уходят ни с чем. Рынок автосервисов в России очень интересный - в нём есть несколько крупных игроков, работающих больше по своим зонам, и тысячи тысяч мелких автосервисов, расположенных в гаражах. Консолидация рынка стремится к нулю. Именно в такой рынок и решили зайти супруги Турсуновы, организовав компанию Вилгуд - сеть умных автосервисов. У них было всё то, чего не хватает стандартным гаражным автосервисам, чистая красивая зона ожидания, мобильное приложение, вежливый персонал, прозрачная отчетность по ремонту и многое другое. К 2023 году они обещают открыть 1000 точек автосервисов Вилгуд. С Магнитом и Пятёрочкой, кстати та же история - они сделали самые низкие цены на основную группу продуктов - молоко, хлеб, крупы и прочее, и просто открылись фактически в каждом дворе. Они полностью консолидировали рынок ритейла за считанные 10 лет. Этот список можно продолжить магазинами Леруа Мерлин, ставшими причиной закрытия множества гигантских дилерских сетей по продаже стройматериала. Маркетплейсы начали убивать практически все дилерские сети в России (говорим о товарах, которые могут продаваться на самих маркетплейсах).

И вот теперь плавно переходим к рынку детского технического образования. К чему была прелюдия? Этот рынок - непаханое поле, куда ещё не успели запустить корни достаточно крупные игроки. На данный момент в России 1193 детских технических центров в городах с населением больше 250 тысяч человек. В этих городах проживает 62,675 миллиона человек. Из них детей от 4 до 14 лет (основная аудитория детских технических центров) 12,5%. Получаем 7,8 миллиона детей. По нашим детским центрам можем сказать, что в городах находится 10% детей, заинтересованных техническим обучением - робототехникой, программированием или их производными. Получаем, что потенциально в детские центры хочет ходить 783 тысячи детей. Делим 783 тысячи на 1193, получаем 656 детей на детский центр. При этом среднее число воспитанников в учреждениях подобного рода - 100 человек. Получается, что рынок коммерческого детского образования в крупных городах, освоен всего на 15%.

В России открыто всего 1350 технических школ. Если проделать те же манипуляции с цифрами населения всей России, то получим, что рынок детского технического образования освоен всего на 10%.

При среднем чеке с человека в 3000 рублей в месяц, можем вычислить объём рынка:

40 млрд рублей в год для детских технических центров.

400 млрд рублей в год для всего детского дополнительного образования.

И этот рынок освоен всего на 10%. Здорово, правда? Теперь поговорим о крупных игроках и консолидации рынка.

Какие выводы можно сделать? Рынок не консолидирован, однако присутствуют крупные игроки. Самый крупный - лига роботов, она занимает 12% локального, существующего рынка, либо 1,15% от всего рынка детского образования России. При этом в крупных городах, больше 250 тыс населения, можно открыть до насыщения рынка ещё 6000 детских технических центров.

В меньших городах возникают проблемы с поиском преподавателей надлежащего качества. Это я могу вам сказать с полной уверенностью из первого ряда, первичная модель была направлена именно на открытие детских центров в небольших городах. И эта модель работает великолепно, если находится энтузиаст на месте, готовый заниматься обучением детей, но находить их очень трудно. Поэтому фокус, на этот раз, я решил сместить в города с населением больше 250 тысяч человек, а начать с Питера. В Питере на данный момент открыто 200 технических центров. По подсчётам, в Питере до насыщения рынка можно открыть ещё столько же. При этом квалифицированные преподаватели с опытом прямо сейчас находятся на рынке труда, только руку протяни. В первой попытке масштабирования, мы открывали один из центров как раз в спальном районе Питера. Хорошего преподавателя нашли на первом же собеседовании. Плюсом открытия детских центров в больших городах, являются спальные районы - это место, где в радиусе километра может проживать пара сотен тысяч человек. Таргетированная реклама в связке с догоняшками от РСЯ через пиксель работает здесь на ура.

Сейчас в команде 3 человека со своими зонами ответственности. В первый год планируется открыть 10 детских технических центров и вывести их на показатель - 5 млн рублей выручки в месяц с рентабельностью 50%, сформировать управляющую компанию, настроить единый отдел маркетинга. Далее, с сентября 2022 года, открываем по 5 детских технических центров в месяц., постепенно наращивая обороты. Формируем методический отдел, отдел обучения персонала. К 2026 году планируется занять 20% рынка детского технического образования с годовым оборотом в 7,8 млрд рублей.

Я занимаюсь детскими техническими центрами уже 4 года, и за это время, путём проб и ошибок, нашёл формат, который с одной стороны даёт детям качественное техническое образование, с другой стороны - позволяет зарабатывать. Первый детский центр, открытый 4 года назад, существует и по сей день. В нём есть ребята, которые ходят с самой первой набранной группы. Они пришли в 4-5 классе, и сейчас уже девятиклассники. Детский центр изменил их жизнь, подарил вектор, которому они следуют. На курсе по профориентации, который я проводил для детей и родителей, они определились, куда и на какую специальность будут поступать. С другой стороны, мне удалось довести этот детский центр до 150 детей на 2-х преподавателях, работающих по выходным и половину пятницы. Благодаря крайним двум статьям, где я рассказывал о шагах для открытия своего детского центра, ко мне обратилось уже больше 10 человек. Они подумывают об открытии детских центров в своих городах. Тема оказалась очень интересной, а я, в свою очередь, накопил за последние несколько лет много оформленных компетенций, которыми с радостью готов поделиться. Первый детский центр нового формата в Питере планирую запустить в июле, через 2 месяца. Сейчас ищем партнёров, которые за долю в компании готовы усилить нашу команду своими компетенциями, либо инвестициями. Если захотите обсудить подробнее, обязательно пишите.

4 года и не один миллион рублей мне потребовался, чтобы разобраться в вопросе наиболее эффективной работы детских технических центров, изучить маркетинг и найти рабочие связки привлечения детей, разработать учебные программы, по которым дети готовы заниматься годами. Весь этот опыт я готов воплотить в собственной сети детских центров, а так же помочь открыться вам в своём городе.

В свете недавних событий, связанных со смертоносной аварией Tesla, издание Consumer Reports показало, что система, обеспечивающая наличие водителя в электрокаре, до безумия проста.

Видео, приведенное ниже, показывает, что на самом деле никому не нужно сидеть за рулем для запуска автопилота:

Согласно первоначальному расследованию последней аварии в Техасе, ни одна из двух жертв, погибших в Tesla Model S, на самом деле не управляла автомобилем. Тест Consumer Reports показывает, насколько легко запутать систему автопилота Tesla, которая оценивается как система помощи водителю 2-го уровня по шкале автономности SAE (следует напомнить, что ни один автомобиль в продаже сегодня не квалифицируется как беспилотный автомобиль.)

На видео Джейк Фишер, старший директор по автомобильным испытаниям CR, задействует автопилот и снижает скорость до нуля. Это не отключает систему, и, пока машина остановлена, он прикрепляет вес к рулевому колесу. Используя вес, имитирующий вес руки водителя на руле, Фишер оставляет пристегнутый ремень безопасности и перелазит на пассажирское сиденье. Оттуда он увеличивает скорость, и автопилот начинает маневрировать и следовать по линиям замкнутого тестового курса. Так машина думает, что за рулем остается человек. Автопилот не использует камеру, чтобы проверить, присутствует ли водитель на месте и обращает ли он внимание на дорогу, как это делают системы General Motors, Ford и других компаний.

Система <...> не могла определить, был ли там водитель вообще. Tesla отстает от других автопроизводителей, таких как GM и Ford, которые в моделях с продвинутыми системами помощи водителю используют технологии, гарантирующие, что водитель смотрит на дорогу, сказал Фишер.

После аварии и значительного интереса со стороны правительства США генеральный директор Tesla Илон Маск написал в Твиттере, что ранние журналы данных показали, что в автомобиле не был задействован автопилот и не была установлена бета-версия режима полного самоуправления. CR отмечает, что автопилот по-прежнему способен на множество ошибок, как и любая другая система помощи водителю. А когда он совершает ошибку, он может внезапно отключиться, что может привести к аварии, если водитель не готов сиюминутно вернуть полный контроль над автомобилем.

В ответ на видео Илон Маск сказал, что СМИ действительно усиливают атаки на Tesla.

Viomi Technology китайский производитель умной электроники, который является партнером бренда Xiaomi (последнему принадлежит 19,5% акций компании). Продукция Viomi включает в себя вытяжки, водонагреватели, умные холодильники, посудомоечные машины с возможностью управления через смартфон и... роботы-пылесосы. На последних я остановлюсь подробнее, потому что недавно у Viomi как раз вышел новый роботизированный чистильщик Viomi SE, который попал ко мне на тест.

Также как и Pocophone F1, пару лет назад зарекомендовавший себя на рынке, как смартфон с высокой производительностью и конкурентоспособной ценой, Viomi SE придерживается схожей философии: минимализм и функциональность по приемлемой цене. Насколько успешной оказалась реализация этого концепта? Попробую рассказать объективно.

Что в комплекте?

Viomi SE поставляется в утилитарной картонной коробке, внутри которой надежно закреплены дополнительные компоненты устройства: зарядная станция, чистящие салфетки, две тряпки для влажной уборки с разной степенью впитывания, комбинированный контейнер для сухой и влажной уборки, а также гарантия и инструкция по применению.

Вес Viomi SE составляет около 4,4 кг, что позволяет без лишних усилий переносить его в разные комнаты. В памяти устройства могут храниться карты пяти комнат, а в отношении функциональности предусмотрено семь программ чистки: можно устанавливать требуемый тип уборки для каждого отдельного помещения в квартире. А также задавать график чистки, что, впрочем, типично для большинства роботов-пылесосов.

Дизайн Viomi SE

Viomi наконец-то уступила запросам покупателей и выбрала для модели SE классический белый цвет. В остальном визуальное исполнение смотрится на уровне премиальных моделей. Внешне Viomi SE можно поставить в один ряд с моделью V3 (не в пример блеклому виду V2 Pro в сером цвете корпуса). При этом размеры пылесоса не отличаются от других моделей Viomi: 35 см в диаметре и 9,45 см в высоту.

Да, с одной стороны дизайн Viomi SE не назовешь революционным. Тем не менее, нельзя не отметить, что оформлен пылесос со вкусом, хоть и неброско, и выглядит гораздо менее пластиковым, чем его предшественник.Вот разве что вездесущий глянец уже опостылел.

Фронтальная часть корпуса выполнена в минималистичном стиле. На ней размещены аналоговая кнопка включения и вращающийся лазерный дальномерный датчик, который способен сканировать пространство вокруг себя на 360 градусов и составлять карту помещений. Всего же на борту пылесоса 12 датчиков, которые предназначены для обнаружения препятствий, предотвращения столкновений, защиты устройства от падения и обнаружения базовой станции.

Под верхней крышкой скрывается контейнер со встроенным HEPA-фильтром и удобный инструмент для удаления ворса и шерсти (со временем все это непотребство запутается в усиках основной щетки и начнет мешать пылесосу выполнять свою работу как положено). Снизу расположены два больших боковых колеса и маленькое поворотное колесико спереди. Боковые колеса с резиновыми шинами и мягкой амортизацией помогают пылесосу преодолевать препятствия до 2 см в высоту и перемещаться по любым напольным неровностям, не застревая.

С левого края предусмотрено место под боковую щетку, которая устанавливается самостоятельно (также в комплекте есть запасная, на случай если первая износится с течением времени). А между колесами разместилась основная щетка, которая обеспечивает наиболее эффективную очистку полов, нежели боковая кисточка.

На боковинах устройства есть две вентиляционные решетки для вывода теплого воздуха от элементной базы, пружинистый бампер для защиты от столкновения и контакты для подключения к зарядной станции.

Мощность всасывания

Мощность всасывания является самой важной характеристикой всех пылесосов, и в этой области Viomi SE также добился определенного прогресса. Сила засасывания пыли выросла с 2100 Па (у модели V2 Pro), до чуть более высоких 2200 Па.

На практике мощность 100 Па обычно не имеет значения, так как значения в 1800 Па уже достаточно для очистки ровных поверхностей от пыли. Разница будет заметна на менее гладких или рельефных поверхностях и стыках при очистке большого количества пыли и грязи. Всего у Viomi SE предусмотрено 4 режима всасывания (600 Па, 1000 Па, 1500 Па и 2200 Па).

Однако все это лишь цифры и слова. А что на практике означает указанная мощность всасывания? Я проверил и могу подтвердить, что Viomi SE легко засасывает классическую батарейку типа AAA, что довольно впечатляет для робота-пылесоса. К слову, внутри Viomi SE установлен бесщеточный двигатель NIDEC японского производства, который обеспечивает скорость вращения щетки на уровне 15 000 оборотов в минуту (кстати, двигатель того же бренда установлен и в Roborock S6).

Аккумулятор и автономность

Внутри робота-пылесоса Viomi SE встроен литий-ионный аккумулятор Samsung с емкостью 3200 мАч, который может заряжаться от 0 до 100% за три часа. Емкость АКБ особенно важна при уборке больших площадей: в частности, этот параметр наиболее актуален для тех, кто живет в большом загородном доме. А если учесть, что недавно отгремевшая пандемия заставила многих перебраться за город, количество владельцев таких домов явно увеличилось.

Так вот, от лирики к делу: аккумулятора Viomi SE на максимальном режиме всасывания хватит для очистки примерно 80 м площади (без мебели и препятствий) на одном заряде. После этого пылесос возвращается на зарядную станцию. В случаях, когда уборка не завершена, устройство заряжается на 20%, а затем автоматически завершает уборку. Если говорить об уборке квартир двухкомнатную квартиру с метражом в 48 квадратов можно будет пропылесосить не менее двух раз на одном заряде.

Алгоритм уборки

Большинство моделей пылесосов премиум-класса могут похвастаться наличием LDS (лазерным датчиком измерения расстояния) в сочетании с поддержкой алгоритмов очистки SLAM. У Viomi SE есть лазерный датчик, но нет поддержки SLAM. Тем не менее, оценивая работу данного робота-пылесоса можно сделать интересный вывод: инженеры Viomi, вероятно, хорошо изучили вышеуказанный алгоритм и реализовали в модели SE собственный AI Dynamic Path.

Как выясняется в реальной жизни, упомянутый AI Dynamic Path работает точно так же, как и SLAM. Отмечу, что роботы-пылесосы с поддержкой алгоритма SLAM являются наиболее эффективными при уборке, поскольку при осмотре комнаты они определяют оптимальный способ передвижения для зачистки пространства от пыли. То есть эти алгоритмы позволяют пылесосу прокладывать грамотные маршруты по комнате, и не страдать хаотичными перемещениями.

Как правило, современные роботы-пылесосы перемещаются по напольной поверхности планомерно, аккуратными зигзагообразными линиями. В результате сокращается время очистки и повышается эффективность уборки. К тому же емкость аккумулятора не тратится впустую. В этом плане Viomi SE со своим AI Dynamic Path не отстает от более дорогих моделей с алгоритмом SLAM. Во время уборки он проходит по всем углам комнаты, создавая карту помещения, а затем вычисляет оптимальный способ перемещения для уборки.

Если говорить о режимах уборки здесь их два: S и Y. В первом случае пылесос передвигается по комнате зигзагообразно, во втором зигзагообразное движение чередуется с перемещением по диагонали. Как итог: в Y-режиме мы получаем более тщательную уборку (подходит для капитальной уборки и очистки сильных загрязнений), а в S-режиме более экономичную по части энергосбережения (подходит для повседневного поддержания чистоты полов).

Эффективность уборки

У нас есть два варианта начать уборку. Пылесос можно запустить с помощью физической кнопки на корпусе или через приложение, где можно определить несколько параметров очистки: обычный режим (просто засасывает пыль), сухая и влажная уборка, либо только влажная уборка.

После нескольких недель использования Viomi SE и сравнения его с моделью Roborock S6, предшественником Viomi V2 Pro и самой мощной моделью Viomi V3, я пришел к выводу, что модель SE на удивление эффективна и может составить серьезную конкуренцию более дорогим моделям. По части влажной уборки Viomi V3 показал себя более эффективно. Тем не менее, остальные модели Viomi SE явно опережает.

Резервуар для воды у Viomi SE вмещает 200 мл (+300 мл для пыли). При настройке на максимальный режим увлажнения пола пылесос может очистить до 40 м пустой площади. Обратите внимание, что у пылесоса есть три параметра использования воды (каждый из которых определяет, насколько интенсивно вода будет подаваться на тряпку), которые мы можем выбрать в мобильном приложении. На самом низком уровне расхода воды площадь уборки может быть увеличена почти вдвое.

Поскольку в комплекте с Viomi SE есть две тканевых накладки, мы можем решить, хотим ли мы, чтобы тыльная сторона двухкомпонентной ткани из комплекта насухо вытирала пол после влажной уборки. Или же мы можем использовать только цельную тканевую накладку, чтобы пол оставался влажным и высыхал сам.

Добавлять моющие средства в резервуар для воды не рекомендуется, хотя некоторые делают это без серьезных последствий. Более разумный способ добавить несколько капель моющего средства прямо на тряпку. Также мы предварительно хорошо пропитываем ее водой, чтобы пол с самого начала увлажнялся равномерно.

Итоги

Петь оды Viomi SE не приходится. Да, он не хуже других роботов-пылесосов, но при этом и не шибко лучше. Неоспоримый плюс у него только один: при цене в диапазоне от 25 000 до 29 000 рублей у Viomi SE не так много схожих по функциональности конкурентов. Кроме того, он эффективен в уборке (особенно в условии загородных домов с большими комнатами), качественно собран, а его элементная база не хуже, чем у того же Roborock S6.

В отношении дизайна Viomi SE минималистичен и, вероятно, придется по вкусу тем, кто не терпит вычурности в визуальном исполнении бытовой электроники, предпочитая шведский минимализм. К тому же он относительно прост в использовании: даже ребенок разберется в работе этого пылика, не читая инструкцию (а кто их вообще читает среди рядовых потребителей?).

По сравнению с более дорогими моделями Viomi, в качестве минуса модели SE можно посчитать отсутствие раздельных контейнеров для воды и пыли (напомню, что здесь контейнер комбинированный). В остальном Viomi SE еще один добротный робот-пылесос, который предлагает все те же функции, что и более дорогие устройства. Возможно, это и делает его оптимальным выбором для поклонников хай-тека.

Компания Dragon Tree Labs объединяет индивидуальных разработчиков и команды робототехников для общей цели создать робота-аватара, который стал бы продолжением человека, который им управляет, расширил бы возможности телеприсутствия и дистанционного физического взаимодействия с объектами реального мира.

Это совпадает с целями международного конкурса $10M ANA Avatar XPRIZE, который был инициирован, чтобы поддержать развитие технологий в этой области. Конкурс стартовал в марте 2018 года и рассчитан на четыре года. В июне 2022 года будут объявлены победители соревнования, которые разделят приз в $10 млн.

Инициаторы конкурса считают, что такие системы позволят объединить мир за счёт создания ощущения присутствия в удалённом от пользователя месте с возможностью совершать физические действия в реальном времени. Это откроет новые возможности для работы, обучения, развлечений и общения, без оглядки на возраст, расстояние, мобильность и физические ограничения пользователей. Также, такие аватары могут пригодиться для помощи в условиях стихийных бедствий или когда необходимо ограничивать физический контакт между людьми, как во время пандемии.

Для выхода в полуфинал $10M ANA Avatar XPRIZE команда Dragon Tree Labs создала робота Джонни

Для выхода в полуфинал команда Dragon Tree Labs создала робота Джонни, который прошёл соответствие всем требованиям. На данный момент это единственная российская команда, которая продолжает бороться за победу и главный приз.

Оператор может управлять Джонни дистанционно, наблюдая за происходящим вокруг робота через VR-очки. Аватар оснащён колёсами и может свободно передвигаться по помещению, позволяет взаимодействовать с объектами посредством манипулятора. На данном этапе у робота одна активная рука, которой можно управлять, в будущем появится вторая. Аватар оснащён системой распознавания объектов для помощи оператору в захвате предметов.

Для выполнения конкурсного задания необходимо было продемонстрировать способность управлять движением аватара, роботизированной рукой для выполнения задачи из реального мира, а также требовалось наличие "тревожной кнопки" для экстренного отключения машины. Все эти способности команда Dragon Tree Labs показала на конкурсном видео.

Робот Джонни результат интеграции нескольких прорывных технологий, в том числе инновационного компьютерного вычислителя для одновременного запуска нескольких нейронных сетей, который был создан специально для мобильных роботов командой Fast Sense. Именно благодаря этому компоненту, Джонни может одновременно выполнять несколько задач с задействованием ML-алгоритмов параллельно. Также, исследователи из МФТИ участвовали в реализации тестового сценария управления манипулятором.

На данный момент робот обладает рядом ограничений, которые объединённая команда Dragon Tree Labs планирует устранить в будущем для повышения шансов на победу, в том числе за счёт привлечения новых участников в проект. В следующей модификации Аватар Джонни обзаведётся второй управляемой рукой, разными типами хватов, научится распознавать другие объекты, помимо бумажных стаканчиков. Также команде необходимо будет обеспечить быструю передачу сигналов для управления устройством из любого места земного шара через интернет. Важный аспект для дальнейшей проработки то, как аватар обеспечивает иммерсивность, передаёт ощущение присутствия и полноту обратной связи от объектов.

Для работы над этой частью задачи команда стремится привлечь дополнительных участников и приглашает на оплачиваемую стажировку на лето 2021 года. Все, кто хотят присоединиться к проекту, могут писать на hello@dtlabs.tech

"Мы считаем, что такие аватары следующий эволюционный уровень развития телекоммуникаций и человеческого взаимодействия. Когда-то мы отправляли письма почтой, затем начали звонить по домашним телефонам, то есть в коммуникации включилась ещё одна система органов чувств. Интернет позволил обмениваться идеями и переживаниями моментально, а не ждать письма месяцами. Теперь у нас есть возможность видеть друг друга во время звонка и общаться в любое время в любом месте так, как если бы мы физически находились рядом. Технологии VR делают этот опыт ещё более реальным для восприятия. Следующий шаг возможность физического контакта на расстоянии. Именно для этого нужен мобильный робот-аватар, оснащённый манипуляторами, которыми можно управлять дистанционно. Даже простая возможность передвинуть предмет, скажем, шахматную фигуру на доске, за которой сидит соперник или ваш сын на другом континенте, создаёт ощущение физического присутствия на месте событий, создавая единый контекст. Возможность обнять бабушку, к которой нельзя приехать, ощущается через аватар практически реальной".

Если вы прочитали мою статью, то вы слышали про технологию Skywater 130nm. Google сделала анонс второй программы Multi-project-wafer, и вы можете произвести свою микросхему за бесплатно. С несколькими оговорками

• Проект должен быть по технологии 130нм Skywater

• Проект должен быть доступен всем

• Проект должен находиться под лицензией из списка одобренных

• Проект должен быть готов к июню 18 числа 2021-го года.

Несмотря на то, что 130нм очень древняя технология почти 20 летней давности, тем не менее с ней можно разработать самые разнообразные и интересные проекты.

Меня поправили в коментариях

130 нм мэйнстрим в части микроконтроллеров, многих видов автомобильных и высоковольтных силовых микросхем, а вовсе не древняя технология. Не надо все мерить по процессорам для песональных компьютеров, современные 130 нм так же похожи на 130 нм из Pentium III, как Tesla 3 похожа на Ford T. И там, и там четыре колеса, на этом сходство заканчивается.

Для изготовления микросхем Google и её партнер efabless выбрали компанию Skywater Technology Foundry, ранее известную под названием Cypress Semiconductor. Производство первых микросхем будет окончено в декабре.

Ранее бывшую собственным производством Cypress и выделенную в независимую компанию. Сама Cypress продолжает существовать в fabless режиме.

Кхм, меня попровляют в личных сообщениях, спасибо @amartology.

Технология имеет слой для полупроводников и 5 металлических слоёв. Заказчики проектов получат 50 экземпляров в корпусе WCLSP 6x10.

Из проектов прошлого года мне понравился вот этот. Это проект передатчика-приёмника для любительских спутников AMSAT.

Для того чтобы вы смогли разработать свою микросхему гугл также выпустила Process Development Kit доступный по ссылке вот тут. Важно сказать, чтобы гугл вашу микросхему вообще одобрил она должна быть собранна по проекту Caravel user project.

Если у вас есть готовый проект написанный на Verilog, его можно собрать используя OpenLANE.

Майкл Джордан объясняет, почему современные системы искусственного интеллекта на самом деле не являются интеллектуальными

Автор: Кэти Претц

СИСТЕМискусственного интеллекта института далеко не настолько развиты, чтобы заменить людей во многих задачах, связанных с рассуждением, реальными знаниями и социальным взаимодействием.Они демонстрируют компетентность на уровне человека в низкоуровневых навыках распознавания образов, но на когнитивном уровне они просто имитируют человеческий интеллект, а не участвуют глубоко и творчески, говоритМайкл И. Джордан, ведущий исследователь в области искусственного интеллекта и машинного обучения.Джордан является профессором кафедры электротехники и компьютерных наук, а также кафедры статистики в университете Нью-Йорка.Калифорнийский университет в Беркли.

Он отмечает, что имитация человеческого мышления не является единственной целью машинного обучения инженерной области, которая лежит в основе недавнего прогресса в области ИИ или даже лучшей целью.Вместо этого машинное обучение может способствовать развитию человеческого интеллекта посредством кропотливого анализа больших массивов данных, подобно тому как поисковая система расширяет человеческие знания, организуя сеть.Машинное обучение также может предоставлять новые услуги людям в таких областях, как здравоохранение, коммерция и транспорт, объединяя информацию, найденную в различных наборах данных, находя закономерности и предлагая новые направления действий.

Люди путаются в значении ИИ в дискуссиях о технологических тенденциях, что в компьютерах есть какая-то интеллектуальная мысль, которая отвечает за прогресс и конкурирует с людьми, - говорит он. У нас этого нет, но люди говорят так, будто у нас есть.

В конце концов, Джордан должен знать разницу.Стипендиат IEEE является одним из ведущих мировых авторитетов в области машинного обучения.В 2016 году он был признансамым влиятельным компьютерным ученымпо версии программы, которая анализировала научные публикации,сообщает Science.Джордан помог преобразовать неконтролируемое машинное обучение, которое может находить структуру в данных без заранее существующих меток, из набора несвязанных алгоритмов в интеллектуально согласованную область,Вики-историю инженерии и технологийобъясняет.Неконтролируемое обучение играет важную роль в научных приложениях, где отсутствует устоявшаяся теория, которая могла бы обеспечить маркированные обучающие данные.

Вклад Джордана принес ему множество наград, в том числе премиюУльфа Гренандера в области стохастической теории и моделированияотАмериканского математического общества.В прошлом году он получилмедаль IEEE Джона фон Нейманаза вклад в машинное обучение и науку о данных.

В последние годы он занимался тем, чтобы помочь ученым, инженерам и другим понять весь объем машинного обучения.Он говорит, что считает, что развитие машинного обучения отражает появление новой области техники.Он проводит параллели с появлением химической инженерии в начале 1900-х годов из основ химии и механики жидкости, отмечая, что машинное обучение строится на десятилетиях прогресса в области компьютерных наук, статистики и теории управления.Более того, по его словам, это первая инженерная область, которая является гуманоцентрической, ориентированной на взаимодействие между людьми и технологиями.

Хотя научно-фантастические дискуссии об ИИ и суперинтеллекте забавны, они отвлекают внимание, говорит он. Не было достаточного внимания к реальной проблеме, которая заключается в создании систем машинного обучения планетарного масштаба, которые действительно работают, приносят пользу людям и не усиливают неравенство.

ПРИСОЕДИНЕНИЕ К ДВИЖЕНИЮ

Будучи ребенком 60-х годов, Джордан интересовался философскими и культурными взглядами на то, как работает ум.Он вдохновился изучением психологии и статистики после прочтения автобиографии британского логикаБертрана Рассела.Рассел исследовал мышление как логический математический процесс.

Размышляя о мышлении как о логическом процессе и понимая, что компьютеры возникли из программных и аппаратных реализаций логики, я увидел параллель между разумом и мозгом, говорит Джордан. Мне казалось, что философия может перейти от туманных рассуждений о разуме и мозге к чему-то более конкретному, алгоритмическому и логичному.Это меня и привлекло.

Джордан изучал психологию в Университете штата Луизиана в Батон-Руже, где в 1978 году получил степень бакалавра по этому предмету. В 1980 году он получил степень магистра математики в Университете штата Аризона в Темпе, а в 1985 году-степень доктора когнитивных наук в Калифорнийском университете в Сан-Диего.

Когда он поступил в колледж, область машинного обучения еще не существовала. Это только начало проявляться, когда он закончил школу.

Хотя я был заинтригован машинным обучением, говорит он, в то время я уже чувствовал, что более глубокие принципы, необходимые для понимания обучения, должны быть найдены в статистике, теории информации и теории управления, поэтому я не называл себя исследователем машинного обучения. Но в конце концов я занялся машинным обучением, потому что в нем были интересные люди и велась творческая работа

В 2003 году он и его ученики разработали латентное распределение Дирихле, вероятностную структуру для изучения тематической структуры документов и других коллекций данных без надзора, согласно Вики. Этот метод позволяет компьютеру, а не пользователю, самостоятельно находить закономерности и информацию из документов. Фреймворк является одним из самых популярных методов моделирования тем, используемых для обнаружения скрытых тем и классификации документов по категориям.

Текущие проекты Джордана включают идеи экономики в его раннее смешение компьютерных наук и статистики. Он утверждает, что целью обучающих систем является принятие решений или поддержка принятия решений человеком, а лица, принимающие решения, редко действуют изолированно. Они взаимодействуют с другими лицами, принимающими решения, каждый из которых может иметь различные потребности и ценности, и общее взаимодействие должно основываться на экономических принципах. Джордан разрабатывает программу исследований, в которой агенты узнают о своих предпочтениях из реальных экспериментов, где они смешивают разведку и эксплуатацию, когда они собирают данные, чтобы учиться, и где рыночные механизмы могут структурировать процесс обучения, обеспечивая стимулы для учащихся собирать определенные виды данных и принимать определенные виды скоординированных решений. Бенефициаром таких исследований будут реальные системы, которые объединяют производителей и потребителей на рынках, основанных на обучении, которые внимательно относятся к социальному благосостоянию.

УТОЧНЯЮЩИЙ ИИ

В 2019 году Джордан написал книгу Искусственный интеллектреволюция еще не произошла, опубликованную в журнале Harvard Data Science Review. Он объясняет в статье, что термин ИИ неправильно понимают не только люди, но и технологи. Еще в 1950-х годах, когда был придуман этот термин, пишет он, люди стремились создать вычислительные машины, которые обладали интеллектом человеческого уровня. Это стремление все еще существует, говорит он, но то, что произошло за прошедшие десятилетия, - это нечто иное. Компьютеры не стали интеллектуальными сами по себе, но они предоставили возможности, которые увеличивают человеческий интеллект, пишет он. Более того, они преуспели в низкоуровневых способностях распознавания образов, которые в принципе могли бы быть выполнены людьми, но с большими затратами. Системы, основанные на машинном обучении, способны обнаруживать мошенничество в финансовых операциях в массовом масштабе, например, тем самым катализируя электронную торговлю. Они играют важную роль в моделировании и контроле цепочек поставок в производстве и здравоохранении. Они также помогают страховым агентам, врачам, педагогам и кинематографистам.

Несмотря на то, что такие разработки называют технологией искусственного интеллекта, пишет он, лежащие в их основе системы не включают в себя высокоуровневые рассуждения или мышление. Системы не формируют тех семантических представлений и умозаключений, на которые способны люди. Они не формулируют и не преследуют долгосрочных целей.

В обозримом будущем компьютеры не смогут сравниться с людьми в их способности абстрактно рассуждать о реальных ситуациях, пишет он. Для решения наших самых насущных проблем нам понадобится хорошо продуманное взаимодействие людей и компьютеров. Мы должны понять, что разумное поведение крупномасштабных систем возникает в такой же мере из взаимодействий между агентами, как и из интеллекта отдельных агентов.

Более того, подчеркивает он, человеческое счастье не должно быть запоздалой мыслью при разработке технологий. У нас есть реальная возможность постичь нечто исторически новое: гуманоцентрическую инженерную дисциплину, пишет он.

Перспектива Джордана включает в себя оживленное обсуждение роли инженерии в государственной политике и академических исследованиях. Он отмечает, что когда люди говорят о социальных науках, это звучит привлекательно, но термин "социальная инженерия" звучит непривлекательно. То же самое справедливо и для науки о геноме в сравнении с геномной инженерией.

Я думаю, что мы позволили термину инженерия уменьшиться в интеллектуальной сфере, говорит он. Термин наука используется вместо инженерия, когда люди хотят обратиться к духовным исследованиям. Такие фразы, как просто инженерия, не помогают.

Я думаю, важно помнить, что из всех замечательных вещей, которые наука сделала для человеческого вида, именно инженерия гражданская, электрическая, химическая и другие инженерные области самым непосредственным и глубоким образом увеличила человеческое счастье.

ПОСТРОЕНИЕ СООБЩЕСТВА

Джордан говорит, что он особенно ценит IEEE за ее инвестиции в создание механизмов, с помощью которых сообщества могут общаться друг с другом через конференции и другие форумы.

Он также высоко ценит продуманную издательскую политику IEEE.Многие из его работ доступны вцифровой библиотеке IEEE Xplore.

Я думаю, что коммерческие издательства построили бизнес-модель, которая сейчас неэффективна и фактически блокирует поток информации, говорит он. Через журнал открытого доступаIEEE Access организация позволяет и помогает потоку информации.

Членство в IEEE предлагает широкий спектрпреимуществ и возможностейдля тех, кто разделяет общие интересы в области технологий.Если вы еще не являетесь членом IEEE, подумайте о том, чтобы присоединиться к ней и стать частью всемирной сети, насчитывающей более 400 000 студентов и специалистов.

Будущее здесь безо всяких преувеличений. В нашей публикации Третий глаз для незрячих рассказывалось о том, как можно облегчить жизнь незрячим людям при помощи нескольких ультразвуковых сенсоров. Сегодня рассказываем о кибернетической руке на основе глубокого обучения, точность вычислений которой составляет более 95 %. Также в статье есть впечатления смельчака, решившегося опробовать технологию на себе. Именно его вы видите на КДПВ.

На этой неделе появилось 600 новых статей об архитектуре Transformer. Как мне быть? Случайным образом выбрать из них несколько, опубликовать у себя практически без изменений (не считая каких-то мелочей) и, возможно, чуть-чуть улучшить?

Надеюсь, вы не слишком обескуражены таким вступлением, но прошу понять меня правильно: архитектура Transformer сегодня настолько популярна, что сообщения о ней забивают все другие. Само собой, это потрясающая архитектура, она может оказаться чрезвычайно полезной во многих случаях, и недаром большинство исследователей сходят по ней с ума, но в области искусственного интеллекта (ИИ) есть и другие вещи, и, поверьте, не менее, а даже более увлекательные! Не стоит волноваться, я, естественно, буду рассказывать о впечатляющих проектах, созданных на базе архитектуры Transformer, применяемой в NLP, машинном распознавании образов и во множестве других областей. Я считаю эту архитектуру весьма перспективной, но просто пересказывать содержание новых работ, внося в них лишь косметические изменения, для меня не так интересно.

В качестве примера могу упомянуть пару опубликованных в марте работ, в которых говорится о применении архитектуры Transformer для классификации изображений. Эти работы довольно схожи друг с другом, и об одной из них я уже рассказывал (см. ниже). Я полагаю, что из них можно получить довольно полное представление о текущем состоянии архитектуры Transformer, используемой для машинного распознавания образов.

Связанная статья. Сможет ли архитектура Transformer заменить CNN в машинном распознавании образов?

Обратимся же теперь к настоящей теме этой статьи! Тема эта не имеет никакого отношения ни к архитектуре Transformer, ни даже к GAN, в ней нет никаких модных словечек (за исключением, пожалуй, слова "киберпанк"), но, тем не менее, это одно из самых крутых применений ИИ, с которыми я сталкивался в последнее время! Эта штука способна решать насущные проблемы многих людей и круто изменить их жизнь к лучшему. Конечно, она работает не так эффектно, как, например, превращение человеческого лица в персонажа аниме или мультфильма, зато ничто не сравнится с её полезностью.

Представляю вашему вниманию "Портативный автоматический ручной нейропротез с управлением пальцами на основе методов глубокого обучения", авторы: Nguyen, Drealan и др. Или, выражаясь словами одного из авторов, перед вами рука "киберпанка"!

Но сначала хочу напомнить о бесплатном мероприятии NVIDIA GTC, которое должно состояться на следующей неделе. Вы узнаете множество интересных новостей из мира искусственного интеллекта, а если подпишетесь на мою новостную рассылку, вас ждёт приз от Института глубокого обучения, которым я руковожу. Если вас заинтересует это предложение, можете ознакомиться с моим предыдущим видео, в нём я говорил об этом призе.

Теперь давайте более подробно ознакомимся с этой уникальной и поражающей воображение новой работой.

В этой работе на нейропротез накладываются технологии глубокого обучения, позволяющие контролировать в реальном времени движения отдельных пальцев протеза. Человек, потерявший руку 14 лет назад, теперь может двигать искусственными пальцами, как на обычной руке! Задержка прохождения команд составляет от 50 до 120 миллисекунд, точность движений от 95 до 99 %. Из этой работы следует, что встраивание технологий глубоких нейросетей непосредственно в носимые биомедицинские устройства не только возможно, но и чрезвычайно эффективно!

В данном случае был использован модуль NVIDIA Jetson Nano, специально разработанный для развёртывания систем ИИ в автономных приложениях. Это позволило использовать GPU и мощные библиотеки, такие как TensorFlow и PyTorch, внутри самого манипулятора. Авторы проекта говорят: "При реализации нашего нейронного декодера мы отыскали самый подходящий компромисс между размерами, мощностью и производительностью". Главная цель данной работы решить проблему эффективного развёртывания нейронных декодеров глубокого обучения на портативном устройстве, используемом в реальных приложениях, для долгосрочного применения в клинической практике.

Естественно, есть много технических тонкостей, о которых я здесь рассказывать не буду (какой из меня специалист!). Например, я не буду рассказывать о том, как соединяются друг с другом нервные волокна и биоэлектронные элементы, какие применяются микросхемы, позволяющие одновременно осуществлять нейронную запись и стимуляцию, или как реализованы программное и аппаратное обеспечения, обеспечивающие работу системы декодирования двигателя в реальном времени. Если вы захотите узнать больше об этом, можете обратиться к описаниям соответствующих работ, их можно легко найти по ссылкам. Давайте просто рассмотрим принципы глубокого обучения, реализованные в этом удивительном изобретении. Инновационная идея заключалась в оснащении системы декодирования двигателя технологиями глубокого обучения, что позволило снизить вычислительную нагрузку на платформу Jetson Nano.

На рисунке показан поток обработки данных платформой Jetson Nano. Сначала данные в виде сигналов периферических нервов от ампутированной руки отправляются на платформу. Эти данные предварительно обрабатываются. Этот шаг очень важен: берётся выборка входных необработанных нейронных данных, после чего система рассчитывает их основные характеристики во временной области, а затем загружает в модели. Такие предварительно обработанные данные соответствуют основным характеристикам нейронных данных односекундной давности, полученных от ампутированной руки и очищенных от источников шума. Затем эти прошедшие обработку данные передаются в модель глубокого обучения, и на выходе получается конечный результат возможность управления движением каждого пальца. Всего наборов выходных данных пять, по одному на каждый палец.

Как в реальности работает использованная авторами модель? В её основе лежит применение свёрточного слоя. Такой слой используется для идентификации различных представлений входных данных. В данном случае количество свёрток равняется 64. Эти свёртки были получены с использованием различных фильтров, то есть всего имеется 64 различных представления.

Фильтры представляют собой сетевые параметры, которым система обучилась во время тренинга для правильного управления протезом после его подсоединения. Мы знаем, что время в данном случае является крайне важным фактором, так пальцы должны двигаться плавно, поэтому для представления такого зависящего от времени аспекта при декодировании данных были выбраны управляемые рекуррентные блоки (GRU).

Блоки GRU сообщают модели, что делала рука в последнюю секунду (что было закодировано сначала) и что ей нужно делать дальше (что декодируется в настоящее время). Говоря простым языком, GRU это не что иное, как улучшенная версия рекуррентных нейронных сетей, или RNN.

RNN решают следующую вычислительную задачу: добавляют вентили, чтобы при выполнении рекуррентного процесса о прошлых входных данных сохранялась только релевантная информация (иначе придётся каждый раз пропускать входные данные через фильтры).

По сути, RNN принимают решение, какая именно информация должна передаваться на выход. Как и в рекуррентных нейронных сетях, в нашем случае односекундные данные в виде 512 свойств итерационно обрабатываются с помощью реккурентных блоков GRU. Каждый блок GRU получает входные данные текущего шага и прошлые выходные данные и на их основе формирует следующий набор выходных данных. Блок GRU, таким образом, можно рассматривать как оптимизацию "базовой" реккурентной нейросетевой архитектуры. На последнем этапе декодированная информация отправляется на линейные слои, где преобразуется в значения вероятности для каждого отдельного пальца.

Авторы, как следует из их статьи, изучили множество различных архитектур и смогли создать самую эффективную с вычислительной точки зрения модель, работающую с потрясающей точностью более 95 %.

Мы получили общее представление о работе и точности модели, но остался ещё ряд вопросов. Например, что ощущает человек, пользующийся нейропротезом? Насколько реальны его ощущения? Насколько качественно работает протез? В общем, всех интересует вопрос: может ли такой протез заменить настоящую руку?

Вот, что рассказывает сам пациент:

Я понимаю, что эта штука ещё требует доработки. В ней должно быть больше "жизненных" функций для выполнения повседневных задач, чтобы можно было не задумываться о том, в каком положении находится рука и в каком режиме она запрограммирована. Надо чтобы она работала так: увидел, дотянулся и взял. [...] В идеале я должен ощущать на теле не протез, а обычную руку. Я полагаю, мы до этого дойдём. Я верю в это!

Для меня данное изобретение самый невероятный пример применения технологий искусственного интеллекта.

Это изобретение способно повысить качество жизни человека, и нет ничего почётнее этой цели. Надеюсь, вам понравилась эта статья. Также можете посмотреть видеоверсию, где можно своими глазами посмотреть на движения настоящей руки киборга. Спасибо, что прочитали статью. В видеоролике об этом уже говорилось, но я повторю здесь: "Это безумно круто!"

Менять весь мир это очень большая цель и она практически недостижима. Но нам вполне по силам изменить некоторую его часть. Такие протезы и ПО для них могут сделать мир лучше для многих людей, которые по каким-то причинам лишились части тела. Если для реализации ваших задумок не хватает знаний можете обратить внимание на наш расширенный курс по Machine Learning и Deep Learning и возможно именно вы научите протезы откликаться на малейшие нервные импульсы.

Узнайте, как прокачаться и в других специальностях или освоить их с нуля:

• Профессия Data Scientist

• Профессия Data Analyst

• Курс по Data Engineering

"РобоКросс". А если полностью - Ежегодные полевые испытания беспилотных робототехнических систем РобоКросс. На Хабре были уже статьи посвящённые РобоКроссу с описанием мероприятия с точки зрения команд, сторонних наблюдателей и прессы. Ниже общая информация с описанием и цифрами по командам, этого довольно необычного на момент старта, мероприятия или точнее испытаний.

Внимание! Это не разбор решений и технических описаний отдельных беспилотников, это попытка собрать в одном месте всю накопленную информацию о мероприятии в целом и сохранить данные для истории робототехники, с надеждой, что возможно это кому-то и когда-то пригодится. Далее много текста, фото и справочной информации.

РобоКросс был придуман и задуман вдохновителями программы Робототехника и стартовал в 2010 году на просторах молодёжного форума Селигер. По факту, все команды, с самого начала, были студенческие. На тот момент даже на старте соревнования РобоКросс выглядели следующим образом - команда берёт настоящую, действующую машину, монтирует на неё свои (ну или чужие) системы и получается БПТС. Как с технической точки зрения, управление КПП, двигателем, педалями, так и с программной. Вся эта получившаяся система отправляется на полигон, зачастую на месте доделывается и пытается выполнить задания и действия, которые среднестатистический водитель выполняет не задумываясь.

Справка. Согласно брендбуку правильно писать так - РобоКросс. Р и К большие, остальное маленькими.

Одним из самых интересных фактов РобоКросс-2010 было то, что он проходил на 6 (шести) ГАЗелях Бизнес, которые Группа ГАЗ подарила ВУЗовским командам с обязательством участия в РобоКроссе. Получив машины всего лишь за пару месяцев до старта, команды смогли всё-таки сделать так, чтобы машины поехали. Следующий 2011 год тоже проходил на Селигере и уже не только с ГАЗелями. Причём надо понимать что всё было внове, всё-таки 2010 год и технологий по беспилотникам в широком доступе не было.

Но в тот же год стало ясно, места мало и формат не Селигеровский. Как ни крути РобоКросс требовал больше времени, места и оборудования для команд и в определённый момент стало очевидно что такие испытания требуют обеспечения безопасности на гораздо более серьёзном уровне. Всё таки, когда работает и едет беспилотное транспортное средство, БПТС, это всегда непредсказуемо, а значит опасно. Потеря сигнала позиционирования, сбой программы. Всё что угодно может сделать беспилотник неконтролируемым. И пока при первичных испытаниях никто ничего лучше не придумали, чем территория с ограниченным доступом и барьером безопасности.

И в 2012 году (мой первый год) опробовали площадку под городом Волоколамском. Это была асфальтированная площадка 180 * 120 м, с рабочей частью отведённой под полигон, чуть больше чем 100 * 100 метров, огороженная забором. Территория подготовленная под какой-то рынок, но таки не занятая им. По факту на тот момент, единственное место, которое подошло под испытания и с которым срослось.

И это был первый опыт организаторов самостоятельного плавания, так сказать без базовой площадки, где вылезло много вопросов с организацией. Всё это было щедро приправлено неудачной погодой в виде дождя и сильного ветра. Впрочем это и позволило закрыть все дыры и в следующие годы провести испытания относительно спокойно.

Немного статистики и дат испытаний РобоКросс с 2010 по 2018 год

В разное время в зависимости от наличия возможностей в качестве приза за победу командам доставалась оплата поездки на международные соревнования - испытания ELROB(https://www.elrob.org/) или небольшие призы.

Смогли посмотреть на других, себя показать и поучаствовать в международных соревнованиях:

• 2013 - команда RedEyes из Коврова. Швейцария.

• 2014 - команда НАМТ из Нижнего Новгорода. Германия

• 2015 - команда Аврор из Рязани. Польша

• 2016 - команда Аврора из Рязани. Австрия.

Вот команды которые приезжали на РобоКросс с 2010 по 2018 год, некоторые соответственно по нескольку раз (просто в алфавитном порядке):

1. 4х4 / г. Нижний Новгород, НГТУ им Алексеева

2. Avrora Robotics / Рязань, ООО "КБ Аврора"

3. BaumanCar / г. Москва, ФГБОУ ВПО Московский государственный технический университет имени Н.Э. Баумана

4. CVL Robots / г. Москва, Московский государственный машиностроительный университет (МАМИ)

5. KSTA Team / Владимирская область, ФГБОУ ВПО КГТА им. В.А. Дегтярева

6. Le Talo / г. Владимир Le Talo Robotics

7. LOOK / г. Рязань Рязанский государственный радиотехнический университет, Студенческое конструкторское бюро (СКБ)

8. MobRob / г. Саратов, Саратовский государственный технический университет имени Гагарина Ю.А.

9. Red Eyes / г. Ковров, ФГБОУ ВПО КГТА им. В.А. Дегтярева

10. АВРОРА / г. Рязань

11. ВОЛГА / г. Нижний Новгород, Нижегородский государственный университет им. Н.И. Лобачевского

12. ЛК / г. Рязань, ФГБОУ ВПО ""Рязанский государственный радиотехнический университет" (ФГБОУ ВПО ""РГРТУ"")

13. ЛТИС / г. Москва, МАИ

14. МК Ультра-НН / Нижний Новгород, ГБОУ СПО НАМТ и ФГБОУ ВПО НГТУ им. Р.Е. Алексеева

15. НАМТ / г.Нижний Новгород, ГБОУ СПО НАМТ

16. Роботон / г. Рязань, ФГБОУ ВПО "РГРТУ"

17. СКБ ФАУСТ МАИ / Москва Московский Авиационный институт.

18. Технотон/ г. Рязань, ФГБОУ ВПО "РГРТУ"

19. УМиКо / г. Москва, Университет Машиностроения (МАМИ)

20. ФАУСТ / г. Москва, МАИ

21. ФГУП "НАМИ" / г. Москва, ГНЦ РФ ФГУП "НАМИ"

22. Фидесис / Москва Фидесис

23. Физтех / Москва, МФТИ

24. Шрёдингер кота / г. Уфа, Уфимский государственный колледж радиоэлектроники

Любопытные организационные тонкости.

Говоря про задания, точно можно утверждать, что с течением времени задания испытаний менялись совсем не кардинально и очень плавно. Связано это было с тем, что основные участники РобоКросса всё-таки студенческие команды. В течение учебного года у них куча других вопросов - учёба, активности ВУЗа, в конце концов работа которая параллельно с учёбой. И погружаться в смысл заданий они начинали в лучшем случае за пару месяцев до самих испытаний, а то и уже на самом мероприятии. Это конечно сильно сказывалось на результате. И именно в таком формате РобоКросс стал прекрасной площадкой для ребят и себя показать и на людей посмотреть.

О самих заданиях можно сказать что основное базовое задание всегда было движение из точки А в точку В в автоматическом, то есть автономном режиме. Дальше уже в зависимости от года и ситуации добавлялись всякие расширения: препятствия, фиксация камерой и передача изображений, разворот с помощью заднего хода, возврат в точку старта, следование за меткой.

Первоначально задания были совместным творчеством собственно организаторов. А вот 2013 года в формировании регламента и требованиям которые выдвигались к беспилотникам стал принимать участие Объединённый инженерный центр автозавода ГАЗ. Регламенты стали выглядеть грамотно технически и более если так можно сказать, обоснованно. Конечно регламенты и задания не раз вызывали споры на испытаниях и апелляции команд, но я и сейчас продолжаю считать что подключение таких специалистов было очень правильным и своевременным шагом. Главный судья РобоКросса с 2013 года ведущий специалист Объединенного инженерного центра.

Вот пример регламента испытаний 2017 года.

Разделение между организаторами и специалистами ГАЗа функций по техническому обеспечению и смысловому наполнению позволило сосредоточиться каждому на своём деле. Ведь таких мероприятий и испытаний в нашей стране до 2010 года не было. Понятно что можно сравнить с гонками и ралли разных классов и видов, но лишь только сравнить. На деле на площадке появлялась куча нюансов, которые приходилось решать уже на месте.

Так же на Хабре неоднократно появлялись статьи про организацию технических мероприятий, где подробно расписывались все аспекты. В организации соревнований БПТС, тем более полевых, есть куча мелочей, которые надо продумать и учесть. Но что точно на таких испытаниях приходилось делать, так это приспосабливать все знания и очевидные вещи, которые есть при подготовке всех мероприятий, но выглядят совсем по другому на испытаниях беспилотников, в том числе потому, что они происходят в поле.

В первую очередь, это где и как разместить команды. Как ни странно самый удачный вариант оказался в палатках рядом с полигоном, тем более если территория позволяет. Тот же Волоколамск показал. что возить людей на автобусах утром и вечером в гостиницу неудобно ни для команд, ни для организаторов. Участники, как настоящие фанаты своего дела, паяли и программировали почти круглосуточно. Увезти и привезти всех в один час, нереально и я бы сказал даже не правильно. Оказываясь на полигоне, нередко без стабильного интернета, они наконец то могли заняться только своим проектом и ничем другим.

Часто полевые условия напоминали о себе, солнце, жара и самое главное дождь. Который всегда невовремя. Ни для команд, ни для электричества. Так была выбрана оптимальная высота граунда укрытия для команд и их машин, где под одной крышей можно разместить от 6 до 10 машин. По высоте тента ГАЗели, самой высокой машины испытаний, чтобы она точно заходила под навес. А по периметру граунд завешивался баннерами сеткой, это имело свой смысл - потолок выше, дождь стекает по баннерам вниз, а ветровая нагрузка минимальная. С точки зрения возможных осадков территория малого кольца на автополигоне ГАЗа была идеальным местом - песчаная почва, на которой вода уходила быстро и безболезненно даже в сильный дождь. В то время, когда в 2017 году Нашествие под Тверью и Alfa Future People под Нижним Новгородом тонули в грязи и трактористы за сутки зарабатывали себе на новый трактор, на территории РобоКросса всё было тихо и мирно, только просто очень мокро.

Ещё один вариант граунда.

Отдельным и ответственным блоком всегда проходило обеспечение безопасности на площадке как днём так и ночью. Само собой полный комплект служб - скорая, охрана и пожарные. Огнетушители и пожарные щиты. Как бы не казалось утомительным и бюрократическим это действо, команды всегда подписывали целый ворох бумаги. В их числе техника безопасности, заявление об ответственности и отдельно техника пожарной безопасности. И ещё кое чего по мелочи. Это настраивало на серьёзный лад и организаторов и команды. Алкоголь на территории РобоКросса всегда был под запретом, под угрозой дисквалификации всей команды. И надо отметить что эксцессов связанных с пьянством не было ни разу. Если команды и участники и позволяли себе что то в ночи или в финальный день, то это не было видно при свете дня.

В поле очень важный момент, обеспечение ветрозащиты. Всегда старались делать с кратным запасом. Для тех кто не знает, это якорение каждой стойки шатра или укрытия к бетонному блоку 2,4 тонны, в крайнем случае его половинке. Старожилы Селигера помнят как летали укрытия весом в несколько сотен килограммов. Забивать якоря в землю и песок можно только для небольших шатров.

Бетонные же блоки в 2012 году в Волоколамске, в 2013 году полностью и частично в 2014 в Нижнем Новгороде были основой обеспечения периметра безопасности для заездов беспилотников. Потом оказалось и дешевле и проще установить с разрешения полигона основную отбортовку из стандартного однорядного дорожного отбойника. Тем более на него прекрасно крепился специально сделанный баннер. И красиво и безопасно.

В тот же 2012 год у организаторов прибавилось седых волос, когда незабываемая команда ФАУСТ (из института МАИ) наглядно показала что бетонные блоки надо укладывать на широкую сторону, руководствуясь принципом то что уже повалено можно только сдвинуть, а от команд требовать устанавливать на самих машинах кнопки безопасности отключающие беспилотник, причём на каждом борту.

Тогда же беспилотники привязали на верёвочку, провод с кнопкой на разрыв на конце которую должен был держать член команды. То есть если машина уезжала от хозяина и вырывала из руки провод, то двигатель сразу глушился. Конечно вид человека от команды, который держал кнопку с проводом и бежал или шёл за машиной, был не очень эффектный, но это было гораздо безопаснее. Впрочем об этом организаторы не пожалели ни разу.

Долго ломали голову, как сделать полосу разметки на дороге. Передумали многие варианты, в итоге её сделали из пожарного шланга и прибили в прямом смысле этого слова.

"РобоКросс" прошёл и в 2019 году. Пандемия 2019 года подкосила всех и РобоКросса не было. Насколько известно, планируется и в 2021 году. Но про него уже расскажут ребята, которые будут его проводить. Удачи им.

Далее официальная информация из пресс-релизов в спойлерах, чтобы не загромождать текст.

Введение

В прошлой статье мы рассмотрели несколько современных алгоритмов SLAM для ROS. Во данной статье будет рассмотрено применение SLAM на практике. В качестве робота используется опытный образец мобильного робота мерчандайзера компании R2 Robotics. Робот имеет базу с двумя ведущими колесами, расположенными на одной оси в центре, что позволяет совершать развороты на месте и способствует высокой манёвренности. Диаметр робота составляет ~60 см, а его высота 1.5 метра.

4. Тестирование

В качестве сенсоров на роботе используются: 2D лидар RPLidar A1, RGBD камера Intel RealSense D435i и трекинг Intel RealSense T265 камера для отслеживания одометрии. Лидар установлен в нижней части робота и сканирует только фронтальный сектор в 180 градусов, в то время как камера установлена на уровне 1.1 м и наклонена вниз на угол 40 град. Учитывая, что высота робота 150 см, камера позволяет распознать препятствия на высоте, недоступной лидару.

Помещение для тестов показано на рисунке 9. Площадь в 70 м² достаточна для простых тестов и перемещения робота по заданному оператором маршруту. Также, в помещении расположены несколько препятствий, сложные для распознавания при помощи лидара.

4.1 Rtabmap

В результате картографирования были получены две карты построенная по лидару и по камере глубины (рисунок 10).

Рисунок 10 Rtabmap карта построенная по а) лидару b) RGBD камере

Как можно наблюдать из рисунка 10 карта, построенная по лидару, содержит меньше шумов и более читабельна. Основные границы, такие как стены помещения и мебель имеют ярко выраженные очертания. На такой карте проще ориентироваться и, к примеру, составлять маршрут передвижения для робота, особенно если это помещение большой площади с множеством объектов.

В противном случае, карта, построенная по RGBD камере, выглядит менее презентабельно. Наблюдается большое количество шумов, из-за чего граница помещения и некоторых объектов размытая. Однако, карта, созданная с использованием камеры, отображает большее количество объектов.

На рисунке 11 выделены области, в которых расположены ключевые объекты, представляющие препятствия для робота. Синяя область обозначает два стола и кресла. Логично, что лидар распознал только ножки столов и нижние части кресел, в то время как камера глубины полностью показывает занимаемое объектами пространство, проецируя данные на 2D карту. Также, лидар полностью проигнорировал препятствия, обозначенные красными областями (высокий стул и стойка). Аналогично с зеленой областью в ней расположены 7 стульев.

Как результат, робот будет планировать маршрут сквозь объекты, которое он не распознаёт или распознаёт частично. Соответственно, необходимо использовать камеру глубины как вспомогательное устройство и отправлять данные в стек навигации (рисунок 12).

С другой стороны, объекты, расположенные на высоте лидара, отображаются корректно и с минимальным шумом. К примеру, желтые области на рисунке 11 обозначают два дивана и небольшой шкаф. На карте, построенный по камере, довольно сложно понять, где именно заканчиваются границы этих объектов, особенно если они расположены плотно друг к другу.

В качестве сравнительного теста робот ездил по одному и тому же участку помещения на обеих картах. Участок проезда был выбран таким образом, чтобы захватить препятствие, окруженное свободным пространством. Процесс движения и планируемая траектория, создаваемая планировщиком показаны на рисунках 13 и 14.

В результате можно наблюдать, что при картографировании с камеры глубины робот изначально строит маршрут, огибая препятствие, отмеченное на карте (чёрный объект на рисунке 13). В это же время, при картографировании с лидара, робот не наносит препятствие на карту. Однако, если использовать данные с камеры для формирования obstacle_layer в стеке навигации, робот также распознает препятствие и сможет его объехать (препятствие отображается розовым цветом и в меньшем объеме на рисунке 14). Более того, изначальная карта будет выглядеть намного менее зашумленной. Единственным существенным недостатком будет то, что препятствия на obstacle_layer не будут сохранены и робот будет каждый раз сканировать их заново. Кроме того, зачастую препятствие будет отображаться не в полном объеме. Таким образом, при построении продолжительного маршрута, робот будет изначально строить кратчайший путь, который будет проходить сквозь подобные объекты и, в процессе движения, будет перестраивать свой маршрут при обнаружении препятствий снова и снова. К тому же имеется вероятность, что координаты цели, заданные оператором, могут совпасть с местоположением препятствия, что приведет к ошибкам в процессе работы.

4.2 Google Cartographer

В процессе тестирования Google Cartographer было выбрано две конфигурации. В первой в качестве источника данных используется лидар RPLidar A1, в то время как во второй используется камера глубины Intel RealSense D435i.

Попытка построить карту при помощи камеры не была успешной. Робот сканировал небольшую часть карты при помощи локального SLAM, после чего переходил к сканированию другого участка. Однако, при склеивании данных частей, глобальный SLAM не смог справиться со своей задачей. Части карты накладывались друг на друга, кроме того, ориентация некоторых локальных карт также была не верной. Основной причиной такого результата можно назвать камеру глубины. В отличает от лидара, камера глубины способна хорошо сканировать пространство в пределах приблизительно 2-х метров. Собственно, картографирование в Rtabmap также проводилось с дальностью видимости камеры на 2 метра. Rtabmap визуальный метод SLAM, так как глобальная навигация в первую очередь ориентируется на визуальные образы и не привязывается к контуру карты настолько сильно, а Cartographer геометрический метод, использующий в первую очередь контур карты для ориентации. Однако, поскольку камера может дать информацию только на 2 метра, Cartographer сложнее составить крупные локальные карты. В то же время, если увеличить дальность видимости камеры, шумы будут настолько сильными, что данная информация будет полностью бесполезной для алгоритма. Возможно необходима более тщательная настройка Cartographer, к примеру, настроить коэффициенты данных одометрии, линейного и углового соответствия, что позволит оптимизировать глобальный SLAM.

В то же время, заменив камеру глубины лидаром, удалось получить хороший результат.

Как видно из рисунка 15, карта, построенная с использованием лидара и пакета Cartographer имеет такие же отличия, как и карты, построенные при помощи SLAM пакета Rtabmap.

На рисунке 16 отчетливо видны слегка размытые серым цветом границы помещения. Это особенность работы Cartographer. В процессе сканирования Cartographer наносит препятствия на карту несколько раз, убеждаясь, что это действительно существующий объект, а не помехи или шум, который необходимо избегать. Таким образом, все объекты на карте постепенно меняют свой окрас от бледно-серого до черного оттенка. Чем темнее оттенок объекта на карте, тем больше Cartographer уверен в существовании данного объекта. Данная особенность позволяет довольно быстро убирать помехи с карты в процессе её сканирования. Более того, Cartographer практически не обращает внимания на быстродвижущиеся динамические объекты например, людей. Он попросту не успевает нанести их на карту в виде препятствий, если человек постоянно перемещается. Участок карты, на котором обозначается человек (изначально бледно-серым оттенком), в следующий момент времени уже пуст и этот участок снова помечается как свободный от препятствий.

Однако, это не означает, что робот во время движения столкнется с человеком. Данные с датчиков по-прежнему поступают в navigation stack и наносятся на obstacle layer. Благодаря этому локальный и глобальный планировщики не дадут построить маршрут движения, который приведет к столкновению. В этом случае необходимо обратить внимание на скорость движения человека и скорость обработки данный в navigation stack, чтобы робот успевал обрабатывать поступающую информацию. В противном случае, если скорость движения человека будет слишком высока, столкновение может произойти.

Следующей особенностью Cartographer является разбиение процесса построение карты на глобальный SLAM и локальный SLAM. Благодаря этому, Cartographer способен сканировать карту даже при небольших отклонениях в одометрии, поскольку, при склеивании локальных частей карты, он ориентируется не только на одометрию, но и сами карты. Таким образом, Cartographer подгоняет кусочки карт друг под друга, чтобы сопоставить их как можно более точно. В особенности это заметно на примере стен. При резком развороте робота данные с лидара наносятся на карту с небольшой задержкой, но этого достаточно чтобы ровная стена отображалась в виде нескольких линий, которые пересекаются друг с другом под углом около 5-10 град. Однако, спустя определенное время (количество итераций до склеивания задается в параметрах Cartographer) происходит присоединение нового участка карты и, как правило, большая часть несоответствий уходит.

Благодаря этой же особенности, Cartographer позволяет строить карты, состоящие из множества помещений. В сравнении в Rtabmap, Cartographer показывает себя в данном ключе с более выгодной стороны. При использовании Rtabmap во время перемещения робота из одного помещения в другое, либо по серии коридоров, местоположение робота довольно быстро терялось, и, несмотря на то что сама карта имела схожие очертания с реальным зданием, полноценное использование Rtabmap выглядит достаточно сложным (в тестах использовалась трекинг камера в качестве источника одометрии, что плохо сказывается на точности данных в условиях длинных коридоров и возле стен с однотонной поверхностью).

На рисунке 17 представлена карта 2-х помещений, созданных при помощи Cartographer. В начале было исследовано помещение 1, затем робот исследовал помещение 2, после чего снова вернулся в первое помещение, где были сделаны небольшие правки карты. Как можно заметить, левая часть помещения 2 исследована плохо, однако общая карта обоих помещений соответствует реальному зданию. Во время картографирования, промежуточная стена, разделяющая оба помещения была исследована с двух сторон. В случае использования Rtabmap есть большая вероятность получить на карте две стены, которые могут не соответствовать друг другу, однако Cartographer справился с поставленной задачей.

Заключение

В результате сравнения режимов конфигурации и работы SLAM методов Rtabmap и Cartographer было выявлено, что выбор источника данных для построения карты помещения имеет значительное влияние. При картографировании по данным с 2D лидара, карта получается менее зашумленной и более читаемой для оператора. К тому же, при использовании данных с камеры в качестве дополнительного источника информации для стека навигации, не распознанные лидаром объекты попадут на obstacle_layer, и робот сможет их объехать при обнаружении.

С другой стороны, использование камеры глубины в качестве основного источника данных для картографирования также имеет преимущества. Во-первых, камера способна идентифицировать большее количество препятствий за счет того, что она сканирует 3D пространство. Таким образом, все препятствия (стулья, столы, стойки и пр.) будут нанесены на карту изначально в полном объеме занимаемого ими пространства и сохранены. Поскольку объекты будут нанесены на карту еще на этапе картографирования, это позволит роботу планировать оптимальную траекторию прямо с точки старта, а оператору будет проще планировать маршрут робота, так как он будет видеть все возможные препятствия на карте ещё в момент старта робота.

Стоит также обратить внимание на сенсоры, доступные для использования с каждым типом SLAM. Кроме того, различия есть и в формате выходных данных.

Gmapping предоставляет лишь базовые возможности подключения 2D лидар и одометрию, в то время как Cartographer и Rtabmap позволяют подключать широкий спектр различных датчиков для считывания окружающей информации. Кроме того, в отличие от Gmapping, данные методы позволяют создавать 3D карту местности.

Разные подходы в Rtabmap и Cartographer также привносят особенности в работу SLAM. Rtabmap лучше показывает себя на открытом пространстве, что предполагает использование визуальных образов. В качестве примера может быть огромный павильон, в котором лидар попросту не достанет до границ помещения, как и камера глубины. К тому же, шум у камеры довольно сильно возрастает с увеличением расстояния до объекта например стены.

Cartographer показывает себя лучше в закрытых и запутанных пространствах, так как использование непосредственно самой карты (а не визуальных изображений) для локализации робота позволяет производить картографирование множества помещений. Кроме того, система разделения на локальный и глобальный SLAM положительно влияет на процесс картографирования.

Список источников

1. Pedrosa, E., L. Reis, C. M. D. Silva and H. S. Ferreira. Autonomous Navigation with Simultaneous Localization and Mapping in/outdoor. 2020.

2. Gmapping [Электронный ресурс] URL: http://wiki.ros.org/gmapping, свободный ресурс Загл. с экрана. Язык англ. Дата обращения: 14.08.2020 г.

3. Google Cartographer ROS [Электронный ресурс] URL: https://google-cartographer-ros.readthedocs.io/en/latest/#, свободный ресурс Загл. с экрана. Язык англ. Дата обращения: 04.11.2020 г.

4. RTAB-Map, Real-Time Appearance-Based Mapping [Электронный ресурс] URL: http://introlab.github.io/rtabmap/, свободный ресурс Загл. с экрана. Язык англ. Дата обращения: 22.06.2020 г.

5. Adaptive Monte Carlo localization [Электронный ресурс] URL: http://wiki.ros.org/amcl, свободный ресурс Загл. с экрана. Язык англ. Дата обращения: 03.08.2020 г.

6. Building Maps Using Google Cartographer and the OS1 Lidar Sensor [Электронный ресурс] URL: https://ouster.com/blog/building-maps-using-google-cartographer-and-the-os1-lidar-sensor/, свободный ресурс Загл. с экрана. Язык англ. Дата обращения: 25.02.2021 г.

7. Labb, M, Michaud, F. RTABMap as an opensource lidar and visual simultaneous localization and mapping library for largescale and longterm online operation. J Field Robotics. 2019; 35: 416 446.

8. Silva, B.M.F.D.; Xavier, R.S.; Gonalves, L.M.G. Mapping and Navigation for Indoor Robots under ROS: An Experimental Analysis. Preprints 2019.

9. Mathieu Labb and Franois Michaud. Online Global Loop Closure Detection for LargeScale Multi-Session Graph-Based SLAM. 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems, pages 26612666, 2014.