Русский
Русский
English
Статистика
Реклама

Робототехника

Поговори сам с собой ученые научили роботов самоанализу и улучшили результаты их работы

30.04.2021 20:15:00 | Автор: admin

Многие из нас говорят с сами с собой, только не вслух, конечно, а мысленно. Психологи говорят, что это вполне нормально и даже полезно. Причем не только для человека, но и для роботов. Так, итальянские ученые сознательно научили человекоподобных роботов думать вслух. Благодаря экспериментам они доказали, что внутренний монолог помогает разобраться в сложных и неопределенных ситуациях даже автоматическим системам. Центральной фигурой эксперимента стал японский робот-помощник Pepper, разработанный корпорацией SoftBank Robotics.

Основа исследования работа ученого и антрополога Льва Выготского, который в свое время создал концепцию внутренней речи. Он, кстати, заметил, что маленькие дети в первые годы жизни часто озвучивают мысли тогда же, когда учатся говорить с другими. Уже позднее эта речь переходит во внутренний монолог. Так вот, если с человеком все более-менее ясно, то что с роботами? Пришло время это узнать.

Суть эксперимента


Эксперимент провели двое ученых из Университета Палермо. Они интегрировали в операционную систему робота модель внутренней речи на основе ACT-R. Это система управления роботом, включающая стандартные инструменты преобразования текста в речь и наоборот.

Цели эксперимента:

  1. Научить робота сопровождать действия голосом: комментировать все итерации в моменте.
  2. Провести оценку результатов и понять, как влияет проговаривание на итоги.

Перед Pepper поставили задачу накрыть обеденный стол в соответствии с правилами этикета и указаниями, полученными от человека. Последние иногда противоречили правилам этикета, изученным роботом. Предполагалось, что в ходе взаимодействия у робота могут возникнуть различные оценочные суждения и всплывут вопросы нравственности (нет, ничего противозаконного роботу делать не предлагали).

В ходе эксперимента оценивали полученные результаты, когда робот использовал и не использовал внутреннюю речь.

Что произошло?


Роботу показали схему, отвечающую за нормы этикета.

Выглядела она так:

Человек и робот разместились за столом. Слушая указания и помня про схему, робот должен был выполнять требуемые действия. При этом начальные данные могли быть любыми: все предметы на столе, каких-то не хватает, есть лишние. Всего провели 60 итераций по 30 в каждом из двух блоков: с озвучкой внутреннего монолога и без. В 40 случаях из 60 содержались противоречие и/или конфликт.

С Pepper взаимодействовали по трем сценариям:

  1. Простое и понятное выполнение указаний без противоречий. Здесь все логично.
  2. Наличие противоречия между действиями и требованиями. В этом случае робот видел проблему: выполнить действие, несмотря на противоречие, или нет (нарушить правила или нет).
  3. Ложное требование: положить предмет, который уже есть. Робот сталкивался с дилеммой.


Все проведенные попытки оценили по нескольким показателям:

  • время принятия решения;
  • время выполнения задания;
  • количество удачных попыток;
  • прозрачность операций.

Последний пункт анализировал человек. Под прозрачностью понимали степень ясности изложения роботом мыслей относительно решения задачи. Попытку считали успешной, если она завершалась требуемым действием.

Итоги


Как и ожидалось, в простых и понятных случаях, внутренний монолог никак не влиял на действия. Размышления робота текли в самом логичном русле: он искал требуемый предмет, брал его, передавал и опережал действия словами.

Однако совсем другая картина складывалась в ситуациях, когда робот сталкивался с конфликтом требований. В этом случае робот видел несоответствие и задавал уточняющие вопросы человеку. Только потом выполнял действие. Однако если внутренняя речь была отключена, то успехом попытка так и не завершалась. Почему? Робот видел конфликт и отказывался выполнять действие.

Самое интересное происходило в третьем сценарии. Робот сразу идентифицировал требование как ложное и отмечал, что действие, например, уже выполнено (салфетка находится на столе или вилка уже лежит). Но это не все. Робот высказывал тревогу и пытался убедиться, точно ли его партнер это видит. Тогда человек говорил, что вообще имел в виду другой предмет (нож, допустим), робот соглашался и успешно завершал итерацию.

Вот результаты эксперимента, здесь два блока по 30 итераций.

Первый блок с включенным внутренним монологом:

26 число успешных попыток;
28 число прозрачных итераций.

Второй блок с выключенным внутренним монологом:

18 число успешных попыток;
12 число прозрачных взаимодействий.

То есть действия робота были успешнее в том случае, если он анализировал происходящее. Получается, что самоанализ и рефлексия способны помочь роботам повысить качество работы, выйти из неопределенных ситуаций и успешно решить задачу. Кроме того, использование внутренней речи помогает роботу выйти на диалог с человеком и найти новые способы решения поставленных им задач.

Подробнее..

Рожденные в карантине беспроводной датчик и все-все-все. Битва роботов в конце

26.04.2021 12:16:37 | Автор: admin
image
Рабочая неделя сокращена и теперь ты мой
Твоя прокрастинация. Апрель 2020.


imageВ этой статье я c удовольствием хочу поделится с Вами универсальной платой, которую легко можно использовать для:
  • метеостанции, беспроводного датчика температуры\влажности на солнечной батарее или без нее;
  • автоматического полива цветов на солнечной батарее;
  • безопасным пускателем фейерверков;
а также
  • управлением открывание/закрывая форточки в парнике или механический кнопконажиматель;
  • модуль охранной сигнализации или контактный датчик;
  • управление светодиодной лентой или небольшим вентилятором;
  • умный уличный фонарь на солнечных батареях;
  • наручными/настенными часами или кухонным таймером;
  • и даже электрическая мышеловка или кормилка для животных.


Устройство представляет собой микроконтроллер с приемопередатчиком nrf24l01 и выходами до 3А стоимостью всего от 2*. Заинтересовались и хотите попробовать сами? Последние 10 плат вышлю по Германии абсолютно бесплатно.
* по ценам на 07.2020

Что в черном ящике?

Требования к устройству


Необходимость разработки, как ни странно, пришла от желания установить банальный беспроводной датчик температуры. Я знаю, на Хабре и в Интернете представлено огромное количество температурных датчиков на любой вкус. Но у большинства готовых работ есть серьезный недостаток цена. Платить по 10-15 за штуку, на фоне текущего дефицита и подорожания микросхем, это не серьезно, особенно когда тебе надо больше 10 штук.
Почему так много?
Когда температура в доме опускается ниже 19C, возникает дискомфорт и желание включать отопление. Двери в комнатах закрываются и там образуется свой микроклимат. Слишком высокая температура плохо скажется на счетах и выбросах СО2, а низкая температура будет способствовать избыточной влажности и появлению плесени.
Для помещений рекомендуется соблюдать следующие температуры: гостиная +22C, спальня +20C, ванная +25C, детская +23C, коридор +18C, подвал > +1C, гараж > 0C.
Вторым недостатком увиденных мною датчиков является радиус действия. WiFi с трудом пробивает междуэтажные перекрытия, а что уже говорить о подвале. Можно протянуть WiFi в подвал, для любимой мышки, но она перегрызет провода, испугавшись излучения. Поэтому, датчик должен уметь ретранслировать сообщения от других датчиков.

Третье требование автономность. Для 10 датчиков нужно более 10 батареек и, конечно, хотелось бы заряжать батарейки не чаще 2-3 раз в год. А лучше вообще забыть про зарядку. Например, датчик расположенный на улице может заряжаться от солнечной батареи, а датчик в кладовке может работать от таблетки, просыпаясь 1 раз в час.

Четвертое требование универсальность. Хочется иметь класс устройств, которые будут долго спать, отправлять 5-8 байт в сеть, а при наступлении события включать что-нибудь маломощное, до 2-3А.

Выбор компонентов


В качестве приемопередатчика был выбран NRF24L01, известный не только благодаря своей низкой цене, но и богатым выбором готовых SMD модулей со встроенным усилителем и разъемом внешней антенны.

Датчик температуры/влажности должен иметь цифровой интерфейс и точность выше 1 градуса и опять же приемлемую цену. Выбор пал на SHTC3.

Дисплей должен быть дешевым и информативным. В качестве дисплея было выбрано семейство больших и малых SSD1306 дисплеев. Кончено, я задумывался и над E-paper и для него зарезервировано место, но он плохо ведет себя на морозе и все еще дорого стоит.

Основной дисплей является не энергоэкономичным, поэтому надо определять необходимость его включения. Датчик движения SR602 понравился из-за его размеров. Также можно включить сенсорную кнопку или ИК-приемопередатчик.

Аккумуляторы были выбраны 2 типов: NiMH, как безопасное и дешевое решение для домашних и уличных нужд, если постоянная отрицательная температура длится меньше 1-2 недель и LiFePo4 для уличных нужд при сильных отрицательных температурах.

Контроллер заряда аккумуляторов был выбран CN3085 для NiMh и CN3058e для LiFePo4. Они имеют схожую цоколевку, за исключением вывода DONE, без которого можно обойтись. NiMH также можно заряжать через токоограничительный резистор.

Так и сложились требования к микроконтроллеру: SPI, I2C, RTC с alarm, PWM, ADC, 5 свободных gpio, малое потребление, рабочую температуру -40C..+85C, диапазон напряжений аналогичный NRF24L01, также, имеет значение цена, комфортный для пайки корпус и большой lifetime.
Взвесив все за и против выбор пал на STM8L051. Некоторые могут обвинить меня в предвзятости к STMicroelectronics и будут правы, но на самом деле
были рассмотрены и отброшены следующие варианты:
ESP32-S2FH4 дешево, но WiFi энергозатратен и придется возиться с отладкой высокочастотных схем;
STM32L0XX + NRF24L01 очень хорош, но хотелось бы дешевле;
PIC16Fxx + NRF24L01 также понравился, но нет RTC;
nRF52810 хорош в своем классе, но будет дороже, чем NRF24L01 + дешевый микроконтроллер;
и некоторые китайские производители были отброшены по причине плохой поддержки.

Таким образом определился следующий список компонентов:
Наименование компонента Цена*, Минимум Обычный Обычный с экраном Метеостанция Внешняя метеостанция
STM8L051 0.4 x x x х х
NRF24L01+ 0.6 x x x х х
PCB 0.2 x x x х х
Кварц. резонатор 1TJF090DP1AI075 0.2 x x х х
Датчик температуры SHTC3 0.8 x x х х
Датчик движения SR602 0.4 x х х
Аккумулятор NiMh 1 x x х х
Зарядка аккумулятора CN3085 и стабилизатор напряжения AP2210K-3.3 0.3 x х х
Дисплей SSD1306 0.91 1.1 x
Дисплей большой SSD1306 2.4 10 х х
Солнечная панель 2 х
Итого, 1.2 3.2 5 13.9 15.9

* по состоянию на 07.2020, текущая цена может отличаться в 2-10 раз. Будем надеяться, что это скоро пройдет.

Схема принципиальная.


Я не настоящий электротехник, поэтому в схеме могут быть допущены ошибки, влияющие на работу устройства в долгосрочной перспективе.
Разработка принципиальной схемы и платы выполнялась в KiCAD.

Основные узлы


Питание


Ключик для датчиков и внешних устройств, 2 шт



и многочисленные разъемы



Схема разрабатывалась универсальная и необходимость пайки элементов зависит от конфигурации устройства. Пайка всех элементов сделает устройство нерабочим.
Например, в схеме предусмотрены 3 варианта зарядки батарей через зарядные контроллеры, с подключением внешнего блока питания и через токоограничительный резистор для подключения солнечной панельки.
Также невозможно одновременно использовать датчик движения и диод D2, как индикатор MCU.
Цоколевки для SMD модулей NRF24L01 и NRF24L01 Long Range разные и можно подключить только один из них.

С целью снижения энергопотребления, был установлен отдельный ключ Q1-VT1, который прерывает питание дисплея, приемопередатчика и датчика температуры. В режиме сна основными потребителями являются микроконтроллер, 100К подтяжки на VT1,VT2 и датчик движения, при его установке. I2C шина также была подтянута на отключаемое питание датчиков, дабы избежать утечки драгоценного заряда в режиме сна.

Для подключения внешних устройств, таких как водная помпа, сервопривод, аналоговые датчики или кнопки управления, предусмотрен разъем J4 с управляемым питанием Q2-VT2. Этот выход может иметь раздельное питание с основной платой J3. Максимальное напряжение зависит от подобранных транзисторов и здравого смысла.

Печатная плата.


Я не настоящий проектировщик печатных плат, поэтому с благодарностью приму все Ваши замечания. Плата проектировалась двухслойная из соображений экономии.
Верхний слой

Нижний слой


SMD компоненты выбраны размером 0804, для комфортного разглядывания номиналов резисторов и ручной пайки. Знаю, что многие из вас способны запаять 0204 с закрытыми глазами 60Вт паяльником, так вот это схема и для тех кто этого не может. Для самого мелкого компонента температурного датчика SHTC3 нанесена разметка для его точного позиционирования. Посадочное место для ключей управления устройством, к которому можно подработать транзистор с переключением до 6А при 8V, что больше возможностей дорожек.

Датчик температуры\влажности разместился рядом с контроллером в надежде, что большую часть времени контроллер будет спать и не будет нагревать датчик. По этой причине, силовые элементы унесены на противоположные концы платы, но это не помогает и в режиме зарядки температура увеличивается на 4-5 градусов. NRF24L01 припаивается отдельным модулем, для экономии времени и возможности выбора типа приемопередатчика. Проект данной платы вы найдете на GitHub.

Если схема зарядки аккумулятора не требуется, то можно ее отломать бокорезами, сделав кусь по линии отверстий(берегите глаза).

Плата распаивалась с помощью паяльной пасты и утюжных технологий. Запекать 2 мин. при температуре Лён:

Смотрится вполне сносно:


Корпус


Размер платы удачно совпадает с размерами 2 батареек ААА, что делает доступными все корпуса с батарейками 2xААА или 2xАА. Также подойдут некоторые корпуса для 1x18650 при диагональном размещении платы. Вид у этих коробочек соответствует цене, но мы их спрячем и замаскируем.
Для устройств находящихся на видном месте спешу поделится технологией быстрого и дешевого изготовления красивых корпусов.
Покупаем или печатаем пластиковый корпус и фанеру толщиной 1-2мм из благородных пород дерева. С помощью цианокрилата(берегите глаза и нос) клеем фанеру на пластик и отрезаем все лишнее. Если у вас такие же кривые руки, то необходимо запастись шпатлевкой по дереву и замазать сделанные щели и сколы. Затем, надо дать просохнуть клею и шпатлевке, затереть всё наждачной бумагой и покрыть маслом или лаком.
Таким образом, из
серой пластиковой коробочки


получается теплый деревянный корпус.


Тестирование


Платы были успешно протестированы при температурах от +40С до -14С в конфигурации с дисплеем и датчиком движения. Для плат, которые будут использоваться на улицы в качестве защитного покрытия был использован специальный лак.

Измеренный ток в спящем режиме ~1.5мкА при 2.6В. При включенном режиме потребление зависит от количества подключенных устройств, яркости дисплея, количестве включенных пикселей и режимах приемопередатчика, в среднем получилось 40мА.
Ниже приведено расчетное время работы в зависимости от используемой батареи.
АКБ Заряд, mAh Номинальное напряжение, V Период передачи данных, c Расчетное время работы на 70% заряде, дней
AAx2 2500 2.4 300 217
AAAx2 900 2.4 300 77
AAx3 2500 3.6 120 174
AAAx3 900 3.6 120 62
CR2025 150 3 3600 189
AAx6 5000 3.6 120 350

На сегодняшний день я не могу подтвердить достоверность расчетных данных, испытания продолжаются.

Программное обеспечение.


STM8L051 является 8 битным MCU, имеет 1Кб RAM и 8 Кб ПЗУ. Это значит, что в 8 Кб необходимо уместить максимальную комплектацию:
поддержка интерфейсов i2c, spi;
поддержка устройств: датчик, NRF, дисплей, часы;
протокол передачи данных SMESH;
шрифт (цифры, знаки, буквы);
график вывоза мусора.
И здесь придется бороться за каждый байт. Программный код был написан на языке С для компилятора sdcc. Из допущенных ограничений стоит отметить, что шрифт уместился только от пробела до заглавной Z, а годовой график вывоза мусора пришлось упаковать в 1 байт на событие. Для дисплея размером 128*32 пикселя требуется RAM буфер 512 байт, что приемлемо для микроконтроллера, а вот для экрана 128*64 требуется уже 1Кб, что в RAM уже не помещается. Поэтому, для большого экрана, его буфер пришлось делить на 2 части верхние 3 строки текста и нижние 3 строки текста.

Возможно, описание программного кода со всеми ухищрениями следует оформить отдельной статьей, но сначала исходный код должен быть приведен в приличный вид. Выкладываться на github он будет постепенно, пропорционально полученному отклику.

SMESH (Simular MESH)


Да, уместить полноценный MESH в 8Кб не получилось, но по крайней мере он умеет ретранслировать сообщения. Для управления необходим контроллер, который будет синхронизировать устройства, принимать показания датчиков, передавать время и другие данные. Каждое устройство имеет уникальный ID(4 байта) и динамический однобайтовый адрес. Одна сеть поддерживает до 126 узлов, с максимальным диаметром 22 узла. Кроме этого, каждый узел может ретранслировать данные с устройств не участвующих в сети.

Подразумевается, что контроллер сети постоянно включен и передает данные устройствам. Устройства же спят большую часть времени, просыпаясь согласно расписанию. Расписание имеет установленный период и всегда кратно одному часу. Таким образом, зная точное время и период цикла можно вычислить следующий сеанс связи. С началом периода устройства должны проснуться, передать свои данные и уснуть до следующего сеанса.
Если устройство не будет просыпаться каждый сеанс связи, то оно должно быть исключено из цепочки ретрансляторов данных.

Основа функционирования сети точное время. Поэтому сообщения с точным временем от контроллера сети передаются регулярно. Это помогает скорректировать время на устройствах и быстро подключить новое устройство.

Как мы знаем в аббревиатуре IoT буква S означает seсurity. Нарушать эти традиции у меня не хватило памяти. Но можно быть уверенным, в случае атаки злоумышленник будет находится в радиусе 100 метров от крайнего узла, и при обнаружении невероятных значений температуры вам следует выпустить ваших собак.

На данный момент полноценного тестирования сети проведено не было, но в первом приближении это работает.

Контроллер сети


Изначально контроллер сети планировалось сделать также на базе микроконтроллера, в виде шлюза NRF24L01 WiFi. Но, посчитав соотношение цена\функциональность\время разработки, выбор пал на полноценный PC Raspberry PI Zero(20) c 6'' HDMI дисплеем+touchscreen(30). Несмотря на свою одноядерность и 1Гб RAM RPi Zero справился со своей задачей отображения сенсоров и почасового прогноза погоды на остаток дня.
В качестве ОС был развернут минимальный образ OC *Linux* и установлен Kivy, который поддерживает egl, умеет работать с framebuffer и не нуждается в Xwindows. Следуя заветам Unix, было написано несколько программ, каждая из которых вносит небольшой вклад в отображение информации. Основной является программа управления сетью, которая также принимает данные с устройств, распределяет динамические адреса и передает точное время, погоду и другую информацию. Программа написана на языке С и может быть портирована на любой микроконтроллер. Также работают несколько небольших Python-скриптов: однин из них прекрасно генерирует картинку первого этажа дома, второй для второго этажа, еще один для генерации погоды от OpenWeatherMap на следующие 12 часов, отправки данных на сервер и телеграмм, и наконец, программа, которая показывает сгенерированные картинки по кругу, с возможностью swipe и обеспечивает интерфейс с пользователем.



Чтобы монитор не светился постоянно, к RPI был приделан все тот же датчик движения, по сигналу с которого или с touchpad подается команда к включению монитора. Через 30 секунд монитор выключится, если сигналы не поступят опять.

С самого начало было очевидно, что в конечном счете разработка вышла дороже, чем готовые датчики, но эту плату можно использовать и для других прекрасных вещей.



Автоматический полив цветов на солнечной батареи


Скоро лето, время когда люди уезжают в отпуска, оставляя свои комнатные растения без воды под жаркими лучами палящего солнца. Я знаю, на Хабре и в Интернете представлено огромное количество систем полива для цветов. Большая их часть требует питания 220В или емких LiPo АКБ.

Для модификации нашей платы в автоматическую поливку цветов нам потребуется маломощная водяная помпа до 3А и напряжением 3-4В. Помпу необходимо поместить в емкую канистру от 5л. Желательно, чтобы канистра находилась на одном уровне с цветком, иначе мощности помпы может быть недостаточно для подъема воды более, чем на 30см. Если канистра с водой будет выше цветка, то необходимо поставить обратный клапан, который будет предотвращать самотек воды, запуская в трубопровод воздух. Помпа подключается к разъему J4.

В простейшем случае, длительность включения насоса можно настроить экспериментально. Например, установить включение на 3 минуты 2 раза в день. Для ручной регулировки цикла подачи воды можно подключить дисплей и 2-3 кнопки к разъему J7. В качестве обратной связи можно использовать ADC канал или поместить датчик влажности ближе к поверхности земли. А источник питания лучше использовать 3-6 аккумуляторов АА и солнечную батарею(блок батарей) площадью от 0.4 кв.м., которую необходимо подключить к разъему J8 и приклеить(прислонить) к окну.

Данная схема уже была реализована и, возможно, работает и по сей день, но на другом микроконтроллере.

Безопасный пускатель фейерверков


Не сомневаюсь, что читатели Хабра соблюдают технику безопасности при запуске фейерверков, но несчастные случаи также возможны при некачественной продукции. Поэтому для безопасности и комфорта инициировать запуск фейерверков лучше на безопасном расстоянии.

Для этого понадобится 2 таких устройства: одно для запуска, с нитью накаливания, а второе для управления. В качестве нити накала можно использовать никелевую нить малого сечения, намотанную на разъем и подключенную к J4. Для нагрева нити достаточно 3-4 аккумулятора АА и соответствующий току и напряжению транзистор в ключе VT2. Длину нити следует подобрать так, чтобы она светилась ярко-желтым светом, но при этом не перегорала мгновенно.

Перед надеванием нити накаливания на фитиль фейерверка, фитиль следует загнуть. Для пульта управления следует использовать второе устройство, подключить кнопку запуска к разъему J12. Соблюдайте осторожность при включении устройства!
Демонстрацию устройства, к сожалению, провести не удалось из-за отмены фейерверков в этом году из-за COVID.

Бонус. Битва роботов.



Их схватка будет легендарна

В качестве побочного продукта(своего рода вложенная прокрастинация) сопряжения STM8L0xx+NRF24L01 были изготовлены роботы для игры всей семьей. Схему печатной платы, ПО и модели деталек для 3D печати можно найти на GitHub.

Идея была в создании дешевой игрушки на радиоуправлении с возможностью расширения. В качестве основы корпуса была взята печатная плата, на которую крепятся моторы N20 с редуктором на 150об/мин и батарейный отсек с поворотным колесом.
Для добавления зрелищности борьбе был предусмотрен крюк с сервоприводом, но в схватке реальной пользы от него почти нет. С помощью крюка робот может самостоятельно переворачиваться и впиваться в ногу. На плате есть возможность подключения излучателя для стрельбы фотонами и фотодиода с операционным усилителем, а также внешней платы управления на базе esp32 c внешней камерой. К сожалению, все это так и не было протестировано.

В проекте также используются NiMH аккумуляторы, терпимые к замыканию и ударам, особенно, в руках детей. Cледует обратить внимание на максимальный ток NiMH аккумуляторов, дешевые аккумуляторы не способны выдать ток, необходимый для работы сервопривода под нагрузкой и просаживают напряжение, сбрасывая микроконтроллер.

Было придумано множество вариантов игр, роботы могут устраивать гонки, драться, играть в футбол. Один из вариантов игры можно увидеть в этом коротком видео:

За все время эксплуатации сломалось 6 больших колес, 2 кнопки пульта управления, 2 сервопривода и 1 мотор. Запасайтесь колесами!
Подробнее..

Перевод Управление робототехникой в реальном времени с помощью языка Lean

09.05.2021 18:11:45 | Автор: admin

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.

fig:fig:

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:

Другие профессии и курсы
Подробнее..

7 шагов к открытию своего детского технического центра Сможет каждый

15.05.2021 14:20:40 | Автор: admin

Уже 4 года я занимаюсь техническим развитием детей в России. Начиналось всё с открытия небольшого кружка роботехники и со временем переросло в комплексный детский технический центр. Сегодня я подготовил для вас инструкцию к запуску собственного детского центра.

Процесс изготовления теплицы на курсе робототехникиПроцесс изготовления теплицы на курсе робототехники

Год от года количество людей, обращающихся за советом в запуске технической детской школы (чаще всего в небольшом городе до 100 тыс населения) увеличивается. Франшизная модель мало по малу изживает себя. На мой взгляд, это связано с несколькими причинами :

  • Кабальные условия со стороны управляющей кампании. Требование к установке камер, жёсткой отчётности, взносы до 15% от выручки. За 4 года работы в этой сфере я понял, что запуск технической школы в новом городе - это абсолютно индивидуальная история. Конечно есть общие моменты, но двух одинаковых детских центров у нас не было никогда. По условиям франшизы вы получаете готовую бизнес модель, бренд, учебные программы. Чаще всего эта история работает в городах от 250 тыс населения, а вот в меньших уже всё не так устойчиво. Одна знакомая несколько лет назад купила франшизу AmoKids, запустила её в трёх населённых пунктах сразу - Краснодар, Динская, Кореновск. Так вот модель показала себя хорошо только в Краснодаре (1 млн населения), а вот Кореновск и Динскую (по 40 тыс населения) в данный момент она закрывает.

  • Поиск живых кейсов. В франшизной системе вы чаще всего говорите с менеджерами, у которых стоит одна задача - продать. И продают они действительно хорошо, отработаны скрипты и возражения, раздаточный материал. Но совсем другое дело, общаться с людьми вроде меня, живыми людьми с большим опытом в вопросе - за 4 года под моим началом было открыто больше 15 детских центров, в 2018 пробовал запускать собственную сеть детских технических школ в Ростове, Москве, Питере. Результат - ушёл в кассовый разрыв и влез в долги, получил море опыта в процессе. Сейчас всё исправил и в ближайший год планирую снова поднимать собственную сеть технических школ. И вот я полностью открыт к общению, в месяц стабильно обращается несколько человек из России, Казахстана или Украины, просят поделиться опытом и подсказать, как лучше сделать. Когда ты знаешь как точно делать не надо (опыт первого запуска сети школ), остаются только правильные шаги.

Я постарался вложить в эту инструкцию весь накопленный опыт. Она не является волшебной таблеткой, но если чётко ей следовать, высока вероятность открытия успешного детского центра.

Шаг 1. Работаем с головой.

Да-да, вы не ослышались. Именно со своей головой. Первое, что нужно сделать - дать себе ответ на вопрос "Зачем?". Жить в постсоветском пространстве достаточно сложно, мозг ещё полностью не перестроился на капитализм. Из-за этого и возникают сложности в вопросе. Идея вроде "Я хочу развивать техническое образование среди детей" достаточно неплоха, кроме того, что стратегически принесёт вашему детскому центру смерть. В марте ко мне обратился довольно интересный человек с собственным детским центром. У него была очень мощная база, паяльные станции, множество оборудования, ЧПУ станки, 3Д принтеры. Сам он имел обширный опыт в разработке электронных устройств. Но вот в течении года его центр посещало всего 12 человек. 12 человек*2500 рублей абонемент=30000 выручки. Выручка-15000 рублей аренда-3000 рублей расходники=12000 рублей грязной прибыли. Почему грязной? Налоги считать не будем. Так вот человек с чистой идеей технического образования детей не смог образовать детей потому, что их фактически не было. 12 человек - это капля в море. Помимо этого, за свои еженедельные старания он получал 3000 рублей в неделю. Какой бы не был первоначальный энтузиазм, со временем он всё сильнее пропадал. И вот спустя год, он связался со мной и рассказал, что идея его уже совсем не зажигает и он подумывает о закрытии детского центра. Сама идея неплохая, я бы сказал, что она должна быть обязательно. Но этого мало. Нужна коммерческая составляющая. Если вы будете получать много денег, у вас будет дополнительная мотивация этим заниматься, можно будет расширять техническую базу центра, покупать оборудование, вкладывать в рекламу и получать больше детей на обучение, платить хорошую зарплату преподавателям в будущем, в следствие чего при правильно выстроенной системе мотивации, качество образования заметно вырастет, участвовать с детьми в соревнованиях и многое другое. Наиболее правильный ответ на вопрос "Зачем?" - чтобы технически образовывать детей и при этом хорошо зарабатывать. Одной идеи мало, нужно превратить её в отточенную машину по заработку денег, иначе в долгосрочной перспективе ничего из этого не получится.

Шаг 2. Финансовая модель.

Пример первой фин моделиПример первой фин модели

Помните я рассказывал о неудачном опыте запуска сети детских технических школ? Так вот после этого я научился делать шикарные финансовые модели. Прежде чем что-то построить и заработать деньги в реальности, их нужно заработать в exсel. В первый раз мне не хватило бизнес образования. Я даже искал курсы директоров, но ничего не нашёл. Я понимал, что мне не хватает знаний в определённых областях бизнеса, но решил всё же идти на ощупь, собирая все грабли по пути. Сейчас, пройдя через все испытания, могу с полной уверенностью сказать - никому не советую выбирать такой путь. Лучше найти человека, который это уже сделал и впитать его опыт, как губка. Я долгое время думал (как и большинство), что чтобы что-то продать, нужно сначала это что-то сделать. Например, чтобы продать деревянный стул, его сначала нужно изготовить. Чтобы продать курс робототехники, нужна школа робототехники. Но оказалось, что всё работает в обратную сторону. Почему бы не взять фото из интернета стула, который собираемся делать, выставить его на авито, получить заявки на продажу, и только после этого произвести и продать? Ведь при таком варианте развития событий, вы полностью убираете риски. Они действительно раны нулю. Ведь если вы не получите заявки на покупку стула, вы просто не будете его производить, а значит и ничего не потратите. То же самое и с детским центром - можно запустить рекламу на курсы, собрать первые заявки и только после этого закупать оборудование и брать в аренду помещение. Гениально, правда? Всё, что вам нужно сделать на этом этапе, это прикинуть, сколько вы будете получать с ребёнка в месяц в виде абонемента (пока даже не важно, что именно вы будете давать. Робототехнику, программирование, электронику или что-то ещё), количество детей, которые потенциально могут к вам ходить( я бы заложил 30 детей в первый месяц, и дальнейшие рост по 20 детей в месяц вплоть до 80 детей на одного преподавателя), прикинуть стоимость аренды помещения. В рекламу на первый месяц заложите 15000 рублей. Прикиньте стоимость запуска детского центра - закупку мебели и материалов, компьютеров. Далее все эти данные кладёте в финансовую модель и тут же получаете результат - получится или нет. Если у вас кругом минусы, то нужно что-то менять. При таких параметрах бизнеса не будет. В итоге финансовая модель не только показывает, устойчивая у вас модель бизнеса или нет, она планирует основные показатели. Например, вы можете понять, что если аренда помещения будет выше 30 тыс в месяц, то через пол года у вас просто кончатся деньги. Или если поднять стоимость абонемента с 2500 рублей до 2800 рублей, в год вы заработаете больше на 200 тыс рублей. Таким образом, вращая основные показатели бизнеса, вы смоделируете наиболее выгодную для себя ситуацию и составите план действий. Вы поймёте, каких показателей и когда вам нужно будет достигнуть. Где же взять такую фин модель? Я могу сбросить несколько вариантов, которыми пользуюсь сам. Первая модель - упрощенная, она показывает примерные показатели в моменте, вторая - более сложная, но и более точная. Там есть такие слова, как ДДС, баланс и прочее, но если в них разобраться, вероятность успеха вырастет многократно.

Во второй модели учитываются доходы и расходы каждый месяц, она покажет ваш баланс в каждом месяце года. Всё, что останется, это подобрать такие показатели бизнеса, чтобы ни в один месяц не работать в минус. Это возможно. Детские центры, которые сейчас открываются под моим началом, работают в плюс с первого месяца как раз благодаря проработанной фин модели. Просто напишите мне вконтакте, и я сброшу вам обе фин модели.

Шаг 3. Реклама.

В шаге номер 2 мы определились, что вначале нужно набрать детей на занятия, а только после этого открывать сам детский центр. Вначале своего пути я ничего не знал про таргетированную рекламу. Я просто пошёл в ближайшее рекламное агентство, где мне посоветовали обклеить билборды и пилоны по городу своей рекламой. Что я собственно и сделал. Далее они посоветовали мне разместить рекламу на остановках. И это было сделано. Я что удивительно, эта реклама даже принесла какое-то количество детей. Но стоит учесть, что первую школу робототехники я открывал 4 года назад, и в городе на тот момент ничего подобного не было. Для детей были только спортивные секции, интеллектуальных не было совсем. Сейчас такой вид рекламы уже скорее всего не прокатит ни где. Во время запуска сети школ, я так же не разбирался в рекламе настолько хорошо, чтобы качественно контролировать процесс. Поэтому нанимал людей на стороне. С одной стороны им не были поставлены чёткие задачи, потому что я не понимал, как правильно их ставить, мне просто были нужны дети, с другой стороны, звонки по заявкам обрабатывались не лучшим образом, СРМ система не велась, и без того немногочисленные клиенты терялись. Это была одна из основных причин, почему не получилось поднять сеть - расходы текли каждый день, но вот поток дохода настроить не получилось. Поэтому после фиаско, я тотально разобрался в таргетированной рекламе. В небольших городах контекстная реклама в яндексе и гугле не работает совсем. Просто нет поисковых запросов. А вот таргетированная реклама, когда вы в соцсетях детально выбираете, кому и какая будет показываться реклама, работает просто шикарно. Когда я полностью разобрался в вопросе, мне казалось, что я воткнул палку в землю и от туда полилась нефть. Как пример, в среднем в группах в детском центре, в котором я веду занятия, обучается 15 детей. Новенькие ребята приходят в текущую группу и проходят вводное занятие, где им рассказывается что и как. Обычно новеньких на одну группу 2-3 человека в неделю максимум. Я один же день ко мне пришло 12 новеньких ребят в группу, где уже было 15 человек. Это было нечто. Пришлось максимально сгруппироваться, чтобы провести занятие для всех максимально качественно. И получилось, из 12 человек, 9 осталось заниматься на постоянной основе. И это даже не за один день, а за одну группу. За 3 часа. Вот так работает таргетированная реклама. Из опыта скажу, что сейчас 70% детей идёт из вконтакте, 30% из инстаграма. Вконтакте настроить рекламу значительно проще, чем в инстаграме, поэтому я бы рекомендовал вначале заняться таргетом именно вконтакте. Как же настроить таргетированную рекламу? У меня есть видео инструкция, которую я записал пару месяцев назад по настройке таргетированной рекламы вконтакте для детского технического центра. Её я так же могу сбросить вам. Просто напишите мне вконтакте. После настройки рекламы, за несколько дней, максимум за неделю, вы уже узнаете, есть ли заинтересованные в ваших услугах клиенты и сколько их. Обычно точка безубыточности находится в районе 10 детей с учётом, что вы сами ведёте занятия. То есть нужно набрать на занятия 10 детей, которые будут окупать аренду и расходники. Всё, что сверху пойдёт к вам в карман. Поэтому и нужно ставить план ещё до открытия набрать минимум 15 детей. Тогда, сразу после открытия можно будет провести мероприятие на открытие с конкурсами и призами, куда пригласить этих 15 детей с родителями и попросить, чтобы они привели друзей. В итоге, к моменту проведения первых занятия к вам будет уже ходить минимум 20 человек.

Шаг 4. Модель занятий.

На самом деле данный шаг выполняется совместно с шагом номер 3. Ведь чтобы разговаривать с людьми и звать на занятия нужно понимать, какие занятия вы будете проводить. На сегодняшний день, если говорить о развивающих и технических занятиях для детей, всё можно разделить глобально на 2 категории: это занятия для детей до первого класса включительно и занятия для детей от второго класса. Структура и формат занятий для этих возрастных групп кардинально отличается. С малышами 5-7 лет проводятся занятия, направленные на общее развитие. Так составляя программу занятий робототехники для малышей, пришлось изрядно постараться. Суть её в том, что занятие поделено на несколько частей - презентация на телевизоре ведёт сюжетную линию и шаги по занятию, Робот Валера -космический путешественник. Он потерпел крушение на необитаемом острове на нашей планете и должен с него выбраться. Весь курс построен на том, что Валера выполняет различные квесты, чтобы в конечном итоге выбраться с острова. Помимо презентаций, используется рабочая тетрадь. Каждое занятие включает 4 страницы, каждая страница направлена на конкретную область развития ребёнка. Первая страница - чтение, где робот Валера ведёт дневник по прошлому дню, так дети вспоминают тему прошлого занятия и учатся читать, вторая страница - письмо, третья - развлечение и рисунок, четвёртая - головоломки. Помимо рабочей тетради, дети на каждом занятии собирают для Валеры дом из конструктора (структор) и модернизируют его. Добавляют электронику, собирают схемы. Примерно так выглядят занятия робототехники для малышей в моих детских центрах. С ребятами от второго класса процесс обучения идёт совершенно по другому. Там чистая практика. Дети учатся добывать знания максимально самостоятельно. Так на программировании начинаем с изучения сайтостроения. Даётся базовая информация по HTML и CSS и альбом со скринами готовых сайтов, к которым детям нужно написать код. На старте они комплексно получают профессию верстальщика, после чего переходим к JavaScript и браузерным играм, учимся разрабатывать сайты с нуля. Повторюсь, что на занятиях со старшими ребятами 95% практики. Лекций по теоретической части как таковых нет.

Что же вам нужно сделать на этом этапе? Понять, будете ли вы писать учебные программы и придумывать формат занятий самостоятельно, либо возьмёте готовый. Собственные разработки, особенно если у вас есть в этом опыт, стратегически выигрывают. Но требуют больше времени и сил для написания, тестирования и исправления ошибок. Второй вариант - купить готовые учебные программы и план занятий. Тут всё проще, но дороже по деньгам (но не по времени). Готовые учебные программы зачастую уже прошли все этапы от первичного написания до тестирования и исправления ошибок, вы получаете полностью рабочий вариант который скорее всего понравится детям и будет лёгок в подачи материала для преподавателя. Учебные программы на сегодняшний день предлагают многие методисты, в том числе и я. Есть программы по робототехнике и программированию для малышей 5-7 лет, робототехнике и программированию для старших ребят 8+ лет, графическому дизайну, 3Д моделированию, авиамоделированию, ЧПУ станку, есть форматы разовых мастер классов и летний лагерей. Опять же, пишите вконтакте, могу подсказать, как написать свою учебную программу, либо подобрать для вас готовую.

Шаг 5. Оборудование детского центра.

К этому моменту у вас рассчитана экономика, есть формат занятий учебные программы. Вы запустили рекламу и записали первых детей на занятия. Следующий планомерный шаг - наконец открыть сам детский центр. Данный этап делится на 2 части - юридическая и практическая. Если на старте вы планируете вести занятия самостоятельно, то вам достаточно открыть ИП. По закону, ИП без наёмных сотрудников может вести обучающую деятельность с детьми без образовательной лицензии. Если же вы захотите официально трудоустроить преподавателей, то всё, что вам нужно сделать - это не заниматься образованием. К ИП прилагаются ОКВЭДы - коды, характеризующие деятельность, которую ведёт ИП. Их вы обязательно указываете при регистрации ИП. Так вот основной код добавляем 90.04.3 - деятельность учреждений клубного типа: клубов, дворцов культуры, домов народного творчества. По нему вы фактически занимаетесь досугом детей, вы - клуб по интересам, а не образовательное учреждение. В этом случае образовательную лицензию вам не нужно получать в принципе. Лицензия нужна, если вы хотите выдавать детям официальные дипломы, которые по сути ни какой роли ни где не играют. Но в замен на это, ваши помещения должны соответствовать всем санпинам, должны быть ростовые парты и стулья, помещение в определённых цветах и прочее. Будет нужно сертифицировать учебные программы. Всё вышеперечисленное сильно усложнит и удорожит открытие детского центра. Налогообложение выбираем УСН (упрощённая форма налогообложения) 6%. По этой форме вы платите 6% налога от всех поступлений к вам на счёт. Отчётность упрощена до предела. Первый год портал Контур Эльба предоставляет бесплатно. Портал сам формирует всю необходимую отчётность и отсылает её в налоговую. На этом юридическое оформление заканчивается. Есть ещё пара вопросов по приёмке платежей и договорам с родителями, но это уже более детальная тема, которую лучше обговорить индивидуально. Кассовый аппарат ставить не обязательно. Он вам на старте встанет в 20000 рублей + ежемесячные взносы в банк + комиссия. Можно принимать платежи через онлайн портал. Как это делать я так же могу рассказать по индивидуальному запросу. Второй момент - это физическое открытие детского центра. Приступать к нему нужно только после открытия ИП, т.к. договор аренды можно заключить только с ИП или ООО. Кстати, если у вас есть официальная работа, вы спокойно можете открывать ИП и вести деятельность параллельно с основной работой. Это законом не запрещается. Поиск места открытия - наиболее ответственная часть. В небольших городах до 100 тыс населения лучше открываться в самом центре на первых линиях. Крупных жилых массивов там как правило нет, значит основное условие - транспортная доступность. Большинство детей в таких городах приезжает либо на автобусах, либо привозят родители. Детям должно быть удобно к вам добраться. В городах крупнее лучше размещаться в спальных районах. Например в Москве в спальном районе в радиусе одного километра может спокойно проживать 150 тыс человек. Для удобства можно проводить аналитику на гугл картах. Очень удобно отмечать школы, жилые массивы, предложения по аренде.

Располагаться помещение в здании должно в лёгкой доступности. Чтобы не пришлось рисовать карту, как к вам добраться. Рекомендуется рассматривать аренду от 30 кв м. Меньше - будет тесновато и если наберёте много детей, придётся перебираться в помещение побольше. Так же при заключении договора просите арендные каникулы на месяц. Первый месяц вы будете делать ремонт (при необходимости) и завозить мебель и оборудование. Большинство собственников идут на встречу в предоставлении арендных каникул. Помещение должно быть просторное, светлое. Подвальное или цокольное здесь не подойдёт. Аренда за 30 квадратов в различных городах России может колебаться от 10 000 рублей до 50 000 рублей в месяц. Так же у вас может возникнуть мысль открыть детский центр на базе действующей школы или дома культуры. В эту тему я бы лезть крайне не советовал. По закону, сдать вам в аренду помещение школа не может физически. Школа может принять вас на работу и выделить помещение под ваши нужды. Платежи от родителей в этом случае будет принимать школа, вам будет выплачиваться ставка. Большую часть школа оставит себе. Вы фактически сдаёте себя в рабство за копейки (как и школьные учителя). С домами культуры и другими государственными зданиями дела обстоят лучше, но то же не так гладко, как хотелось бы. При наличии свободных помещений, вызывается государственный оценщик, который оценивает помещение и арендную плату, за которую государство вам сдаст это помещение. После чего заключается договор и можно заезжать. Проблема здесь в том, что оценка помещения может затянуться на пол года минимум. Кстати, после карантина многие собственники простили аренду в месяцы простоя. Убытки с этой стороны понеслись минимальные. Но вот государство аренду ни кому не прощало. Вы были обязаны платить каждый месяц. После заключения договора аренды вы наконец можете заняться обустройством помещения. В зависимости от того, какой вы выбрали формат занятий и по каким направлениям, закупается соответствующее оборудование. Понятно, что для школы программирования нужны компьютеры или ноутбуки, столы и стулья, доска, зона отдыха. Для электроники нужен верстак с инструментом, паяльники, стрипперы, электроника, материал для корпусов. Наши детские центры носят комплексный характер. Помещение поделено на три основные зоны - зона верстака для грязной работы, где можно припаять, отпилить, закрутить и прочее. Зона программирования - это компьютерная стойка с расположенными по кругу 8 компьютерами. Зона доски - это несколько столов для работы с доской и для чистой работы, например сборки схем. Весь инструмент расположен на верстаке. Вся электроника для сборки схем расположена в номерных шкафах. Так у детей не возникает ни каких вопросов касательно организации работы. Они не задают вопросы - где и что мне найти. Они всегда знают, где искать нужную им штуку. Нагрузка на преподавателя идёт исключительно по рабочим вопросам.

Организация рабочего пространства весьма творческая часть работы. В начале своего пути я не уделял должного внимания бренду и оформлению помещения в единых цветах. Сейчас же мы стараемся оформлять все детские центры в едином, выработанном путем проб и ошибок, стиле.

Шаг 6. Первые занятия.

Итак, вы на финишной прямой. Экономика посчитана, ИП открыто, формат занятий и учебные программы определены, помещение оборудовано, первые дети записаны. Осталось только провести первые занятия, и записать детей на постоянную основу. По курсам, которые вы определили, обязательно должны быть первые бесплатные пробные занятия. На них вы и записываете детей. Первое пробное занятие для ребёнка должно быть максимально наполнено эмоциями. Перегружать теоретической информацией на первом занятии ребёнка не нужно. Например, на первом занятии робототехники в моих центрах, детям даётся общая информация по тому, то такое робототехника, показывается несколько проектов, которые они будут делать. Объясняется смысл занятий, откуда и куда идёт ребёнок. Вступление длится не больше 5 минут. После этого ребёнок читает небольшую методичку по пайке и сразу садится паять своё первое устройство - фонарик брелок. В нём максимальна простая схема. Светодиод, кнопка и плоская батарейка. Спаянная схема садится в корпус из двух пластиковых пробок от бутылок с просверленными отверстиями посредине под кнопку и светодиод.

Что получает ребёнок после первого бесплатного занятия? Он разбирается в базовом инструменте, научился паять и спаял свою первую схему, собрал схему в корпус и получил своё первое устройство - фонарик брелок, который ребёнок забрал домой. И это всё бесплатно. Родители ещё ничего не заплатили. На первом бесплатном занятии должен быть обмен с превышением - ребёнок бесплатно получает максимально из того, что вы можете дать. Тогда по приходу домой он будет максимально заряжен позитивными эмоциями. В этот же день нужно позвонить родителю и, пока ребёнок горячий, закрывать на абонемент. На каждом этапе есть свои крючки, которые приближают родителя к принятию решения в вашу пользу. Система цены абонемента у вас должна быть так же гибкой. Например, для новеньких ребят, если они оплачивают месячный абонемент в тот же день, что пришли на первое бесплатное занятие, даёте небольшую скидку в 10% или лучше, дать что-то физическое. Например набор по сборке пистолета-резинкострела. Так же не маловажную роль в системе мотивации детей играют робокоины. Робокоин - это такая монетка (можно напечатать на 3д принтере, либо вырезать на ЧПУ), которую ребёнок получает в конце занятия, если хорошо себя ведёт и выполняет план занятия. Так же на робокоинах построена модель "приведи друга". Если ребёнок приводит на занятия друга, и тот и другой получают по 5 робокоинов. Зачем же нужны эти робокоины? В Детском центре у нас установлены небольшие стеллажи с дверцами, в которые мы кладём вещи, которые можно купить за робокоины. Получается своеобразный внутренний магазин. Товар в нём совершенно разный: Чупа-чупсы и баночки колы или пепси, паяльники и мультиметры, модели для склейки Звезда. Огромный ажиотаж был, когда я в режиме теста положил в магазин несколько айфонов. На следующие выходные записал 15 новых ребят, которых привели текущие дети. Выводы: обязательно делайте первые бесплатные пробные занятия по всем курсам. Проводите их таким образом, чтобы у ребёнка осталось как можно больше позитивны эмоций. Отзванивайте родителей и закрывайте на оплату абонементов в тот же день, что и проводите первое занятие.

Шаг 7. Развитие детского центра.

Поздравляю! У Вас получилось! Вы открыли свой собственный детский центр и провели первые занятия. Но что же делать дальше? Дальше нужно развиваться. Набирать ещё детей, совершенствовать учебный процесс. Придумывать проекты для ребят. Участвовать в соревнованиях. Дальше - свободное плавание. Но основное - это набор детей в детский центр. Важно понять, что потолка здесь нет. В начале пути я шёл по модели количества - было бы неплохо открыть много детских центров по 80 детей в каждом, думал я. И это действительно неплохо, но и не так уж хорошо. После фиаско с запуском сети, я сжался обратно до одного детского центра и стал вкладывать в качество. Пол года ушло на написание новых учебных программ, тестировании на текущих детях, запуске новых курсов. 2019-2020 учебный год я ознаменовал единственным тестом - сказал себе, что потолка не существует. В итоге в сентября по март (до того момента, пока всех не закрыли на карантин), я набрал 150 детей в свой детский центр в городе в 40 тыс населения на двух преподавателей. Работали при этом мы 2,5 дня в неделю. Выходные + вторая часть пятницы. И это был далеко не предел. Если бы не возник форс-мажор в виде всеобщего карантина, я бы пробил планку в 250 детей к концу учебного года. Дети в детском центре росли в геометрической прогрессии, больше детей зовут больше детей, начинает великолепно работать сарафан. Такой объём детей заставил меня максимально сгруппироваться, наконец в масштабах одного детского центра внедрить полноценную СРМ систему, подключить авто рассылки и много чего ещё. При этом один детский центр на двух преподавателях, один из которых я сам, начал генерировать 300 000 рублей оборотки в месяц, при затратах 20 000 на аренду помещения, 10 000 на рекламу, 5 000 на расходники. Звучит очень вкусно, не правда ли?)

Выводы.

Открыть свой детский технический центр хочет всё больше и больше людей. Чаще всего это небольшие города до 100 тыс населения. Инженеры/программисты, которые хотят с одной стороны передать свои знания юному поколению (иначе зачем мы их копим?), с другой стороны диверсифицировать доход, открыв направление, отличное от текущей работы. Открыть свой детский технический центр это с одной стороны не тривиальная задача, в которой спрятано много подводных камней, но когда этот путь уже кто-то прошёл, становится чуточку легче. Задавайте любые вопросы! Если хотите поговорить в частном порядке, получить финансовые модели детского технического центра, для оперативности ответа пишите мне вконтакте.

Подробнее..

Кружок робототехники VS технический центр

17.05.2021 16:18:04 | Автор: admin

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.

Детский технический центрДетский технический центр

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.

Как думаете, чему так радуется парень справа?Как думаете, чему так радуется парень справа?

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.

4 года назад. 3Д моделирование под 3Д принтер. Ребята 5 класс.4 года назад. 3Д моделирование под 3Д принтер. Ребята 5 класс.

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.

Строим город из структора и освещаем его от подстанции - батареек. 4 класс.Строим город из структора и освещаем его от подстанции - батареек. 4 класс.

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.

Подробнее..

Анализ рынка детского технического образования в России Планы на будущее

18.05.2021 16:06:28 | Автор: admin

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%.

Всего ТДЦ в России

1350 штук

ТДЦ в городах 250 тыс +

1193 штук

ТДЦ в городах меньше 250 тыс

157 штук

Население в городах 250 тыс+

62675000 человек

Дети от 5 до 14 лет

7834375 человек

Заинтересованные в ТДЦ дети

783438

В среднем детей на ТДЦ

656

Объём рынка в городах 250 тыс+ в год

28,2 млрд рублей

Население в городах от 50 тыс

86820000 человек

Дети от 5 до 14 лет

10852500 человек

Заинтересованные в ТДЦ дети

1085250 детей

В среднем детей на ТДЦ

803 детей

Объём рынка в городах 250 тыс+ в год

40 млрд рублей

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.

Крупные игроки

Открыто ДЦ

Доля рынка

Ходит детей

Оборот сети в месяц

Прибыль сети в месяц

Лига Роботов

156

12%

12480

37440000 рублей

22464000 рублей

Робо клуб

58

4%

4640

13920000 рублей

8352000 рублей

ШЦТ

28

2%

2240

6720000 рублей

3744000 рублей

Стартум

26

2%

2080

6240000 рублей

3744000 рублей

Остальные

1082

80%

86560

259680000 рублей

155808000 рублей

Всего

1350

108000

324000000 рублей

194400000 рублей

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.

Подробнее..

Хлопай ресницами и шагай создание искусственных цилий, движимых магнитным полем

26.05.2021 10:15:20 | Автор: admin


Для многих организмов движение это жизнь. Некоторые, конечно, могут оспорить это выражение, но большинство все же нуждается в перемещении для добычи пищи, поисков партнера, побега от недоброжелателя и т.д. Несмотря на свои миниатюрные габариты, многие микроорганизмы крайне активны. В зависимости от среды обитания и образа жизни их передвижения реализуются по-разному: кто-то машет жгутиком из стороны в сторону, кто-то им вращает по спирали, а у кого-то тело покрыто волоскообразными отростками, движущимися волной, как болельщики на стадионе. Именно о последних и пойдет речь сегодня. Ученые из Американского химического общества (Вашингтон, США) разработали искусственные реснички, имитирующие оные у микроорганизмов, которые можно привести в движение с помощью контролируемого магнитного поля. Из чего сделаны искусственные реснички, какие принципы лежат в основе их движения, и где можно применить столь необычную разработку? Ответы на эти вопросы мы найдем в докладе ученых. Поехали.

Основа исследования


Реснички (или цилии от cilia) это не только то, чем можно хлопать, выражая полную ошарашенность вопросом на экзамене. На самом деле это лишь термин, обозначающий волоскообразную структуру малых размеров. Реснички являются весьма популярным инструментом для передвижения в микромире. Визуальной особенностью движения таких ресничек является их метахронность, т.е. последовательное движение одной реснички за другой. Подобный эффект можно наблюдать в движении конечностей многоножки или в движении сегментов тела червя.

Пример наличия ресничек на теле микроогранизмов (в видео представлены инфузории Paramecium bursaria, P. caudatum и Oxytricia).

Для микромира метахронность ресничек обеспечивает движение в жидкостной среде, что крайне важно, например, для реализации некоторых процессов в теле человека. Вполне ожидаемо, что для ученых это является крайне привлекательным объектом исследований, так как его можно использовать и в создании робототехники, и в микробиологии. Попытки создания искусственных цилий уже были, но не без проблем. В большинстве случаев реснички либо двигались синхронно (что не является самым эффективным), либо для их создания требовались сложные установки и дорогостоящие материалы.

В рассматриваемом нами сегодня труде ученые предлагают новый и крайне простой метод создания метахронных микроскопических магнитных искусственных ресничек (MAC от microscopic magnetic artificial cilia). Движение MAC обеспечивается контролируемым распределением парамагнитных частиц в массиве ресничек с последующим применением магнитного поля.

Поскольку парамагнитные частицы имеют тенденцию выравниваться (объединяться) под воздействием магнитного поля, соседствующие реснички будут принимать различные распределения парамагнитных частиц. Ввиду этого они будут иметь разные магнитные свойства. Следовательно, геометрически идентичные MAC будут демонстрировать неодинаковое поведение при изгибе в статическом однородном магнитном поле и совершать метахронное движение.

Созданные структуры из массивов ресничек обладают рядом преимуществ: простота изготовления, легкость активации (нужно лишь магнитное поле), эффективная перекачка жидкостей, возможность создания мягких роботов. К слову, мягкие роботы с MAC, по словам ученых, способны переносить массу в 10 раз больше собственной и заползать на поверхности под углом от 0 до 180.

Результаты исследования


Для создания MAC (1A) были использованы полидиметилсилоксан (PDMS от polydimethylsiloxane) и парамагнитный порошок карбонильного железа (CIP от carbonyl iron powder).


Изображение 1

Учитывая, что парамагнитные частицы имеют тенденцию образовывать цепочки, которые выровнены с направлением приложенного магнитного поля, в форму был помещен массив стержневых магнитов. Эти магниты расположены так, чтобы иметь чередующуюся дипольную ориентацию между последовательными магнитами (1A(v)). За счет этого в структуре генерируется неоднородное, но периодическое магнитное поле (1B), из-за чего цепочки парамагнитных частиц имеют разную ориентацию в соседствующих ресничках (1A(vi)).

Процесс выравнивания парамагнитных частиц, когда к пресс-форме приближается стержнеобразный магнитный массив.

Изготовленные MAC размещались в виде прямоугольной решетки (1C), а каждая ресничка была цилиндрической формы с диаметром 50 мкм и высотой 350 мкм (1D). В основе решетки была немагнитная подложка из PDMS. Поскольку стержневые магниты имеют диаметр 4 мм, период генерируемого магнитного поля также составляет 4 мм (1B). Длина массива MAC была выбрана примерно равной периоду магнитного поля (4 мм), ширина при этом должна была быть таковой, чтобы включать 10 ресничек. Следовательно, было создано несколько массивов с разным шагом и разным числом ресничек: 350 мкм 12 х 10 = 120 ресничек; 450 мкм 9 х 10 = 90 ресничек; 550 мкм 8 х 10 = 80 ресничек.

Красные стрелки на 1B показывают плотность магнитного потока (B), приложенного к центральной части массива MAC, которая составляет примерно 700 мкм (половина высоты ресничек (~175 мкм) плюс толщина кремниевой пластины (~525 мкм) над поверхностью магнитной решетки.

На 1E показано ожидаемое выравнивание парамагнитных частиц в одном ряду массива MAC с шагом 350 мкм, полученное в ходе моделирования. А на 1F показаны уже экспериментальные данные по массиву MAC, изготовленного из композита PDMS/CIP с массовым соотношением 2:1.


Изображение 2

На 2A показано распределение магнитных частиц при различных концентрациях и соответствующее изменение MAC (изгиб) в статическом вертикальном однородном магнитном поле 280 мТл.

В ходе опытов использовались и контрольные MAC, в которых распределение парамагнитных частиц было вдоль длинной оси ресничек. В отличие от контрольных MAC, которые не изгибаются вообще, тестовые MAC демонстрируют разницу углов изгиба между соседними ресничками для всех трех концентраций магнитных частиц. Это связано с тем, что направление намагничивания каждой реснички близко к направлению ориентации магнитной частицы: магнитная анизотропия MAC вызвана как анизотропией формы самой реснички, так и анизотропией выравнивания магнитной частицы. Следовательно, из-за возникающего магнитного момента в однородном магнитном поле ресничка изгибается так, чтобы выровнять направление своей цепочки магнитных частиц с приложенным магнитным полем (2B). А степень изгиба зависит от направления и величины намагниченности, а также от жесткости ресничек.

Поскольку выравнивание частиц у соседствующих ресничек разное, они демонстрируют разный изгиб, тем самым реализуя метахрональное движение в однородном магнитном поле (т.е. поле одинаково для всех ресничек).

На графике 2C показаны результаты количественного анализа выравнивания частиц. Для массива ресничек с PDMS/CIP 1:1 выравнивание частиц показывает некоторые вариации для ресничек в том же столбце. Это может быть связано с тем, что высокая концентрация частиц приводит к нежелательному соединению цепочки частиц вдоль длинной оси ресничек. Для контрольного MAC, напротив, направление цепочки частиц почти идеально ориентировано вдоль длинной оси. На 2D показан угол изгиба ( на 2A) этих MAC в однородном вертикальном магнитном поле 280 мТл. По результатам анализа видно, что MAC с PDMS/CIP соотношением 2:1 демонстрируют самый плавный переход угла изгиба от реснички к ресничке, т.е. наблюдается метахрония. Попытки использовать соотношение PDMS/CIP 4:1 закончились не очень успешно (2E), так как реснички изгибались непоследовательно. Это связано с неоднородностью смеси, что приводит к относительно большому изменению магнитных свойств MAC внутри одной колонки ресниц.

На 2F показано поведение ресничек, расположенных на двух конечных сторонах одного ряда MAC, в ответ на магнитное поле разной силы. Как и ожидалось, обе реснички демонстрируют одинаковое поведение.

Их угол изгиба сначала медленно увеличивается до 80 мТл магнитного поля, затем резко увеличивается, когда поле между 80 и 120 мТл, и снова медленно увеличивается, когда поле выше 120 мТл. Такое поведение является результатом конкуренции между упругой жесткостью реснички и магнитным моментом, действующим на ресничку.

Поведение при изгибе всего ряда MAC при воздействии магнитного поля.

Дабы проверить, будет ли массив метахронно двигаться за счет воздействия магнитного поля, была создана тестовая установка из двух постоянных магнитов (50 х 50 х 12.5 мм) с противоположными магнитными полюсами, обращенными друг к другу на расстоянии 50 мм (3A).


Изображение 3

Магниты установлены в раме с приводом от электродвигателя. Таким образом, двумерное вращающееся квазиоднородное магнитное поле силой приблизительно 150 мТл создается в центральном пространстве между двумя магнитами, где расположен массив MAC.

На поверхности массива MAC расположен микрожидкостный чип (), а сам массив расположен внутри квадратного циркуляционного канала с прямоугольным поперечным сечением (высота 2 мм и ширина 6 мм). Камера, установленная на микроскопе, использовалась для наблюдения за движением массива во вращающемся однородном магнитном поле и за генерируемым потоком жидкости ().

На 3C показано движение одного ряда MAC (шаг 550 мкм) во вращающемся однородном магнитном поле с частотой 1 Гц в воде.

Движение одного ряда MAC (шаг 550 мкм) во вращающемся однородном магнитном поле.

Стоит отметить, что частота MAC в два раза превышает частоту вращения магнитов, что вызвано симметрией генерируемого магнитного поля в первой и второй половинах одного цикла вращения двигателя. Также на 3C отчетливо видно, что массив MAC совершает волнообразное движение, т.е. демонстрирует метахронию.

В отличие от тестируемых MAC, контрольные MAC демонстрируют синхронное движение ресничек.

Шаг в 550 мкм между ресничками был выбран, так как при меньшем шаге недостаточно пространства для совершения движения ресничек без их соприкасания, как при шаге в 350 мкм.

На 3D видно, что каждая ресничка выполняет двумерное симметричное движение, состоящее из двух рывков:

  • магнитный удар, когда ресничка в основном следует за приложенным магнитным полем и изгибается влево, тем самым накапливая упругую энергию;
  • упругий ход, когда кончик реснички начинает двигаться вверх и возвращается в исходное положение, высвобождая накопленную упругую энергию.

Демонстрация движения реснички в воде и в глицерине.

В видео выше видно, что ресничка колеблется в течение определенного времени в конце упругого удара, прежде чем она достигнет состояния равновесия в воде, но не в глицерине. Это результат конкуренции между силами упругости, магнитными силами и вязким сопротивлением жидкости, последнее примерно в 1000 раз больше в глицерине, чем в воде.

Также видно, что соседние реснички совершают движения с разными углами раскрытия. В частности, движение ресничек 4, 5 и 6 имеет больший угол раскрытия, чем у других. Это вызвано тем фактом, что реснички в центральной части массива MAC (реснички 4, 5 и 6) содержат более длинные цепочки магнитных частиц и, следовательно, более сильную намагниченность, чем реснички на обоих концах массива (реснички 1, 2, 3, 7 и 8). Кроме того, левая часть массива MAC выполняет почти точно такое же движение, что и правая часть массива MAC, то есть поведение симметрично относительно центра массива. Это связано с одинаковым распределением магнитных частиц в противоположных ресничках.

Метахронное движение MAC приводило к генерации жидкостного потока воды (3E) и глицерина (3F) в микрофлюидном чипе. Максимальная скорость потока воды составила 220 мкм/с, которая создается метахрональным MAC с шагом 350 мкм при 10 Гц. Это соответствует объемному расходу 85 мкл/мин и локальному падению давления 0.027 Па в микрофлюидном канале.

Максимальная скорость потока глицерина составляет 5.5 мкм/с, что также была получена при использовании MAC с шагом 350 мкм и 10 Гц. Это соответствует объемному расходу 2.1 мкл/мин и локальному падению давления 1 Па в микрофлюидном канале.

Ученые заявляют, если детальнее рассмотреть графики 3E и 3F, то можно установить следующее:

  • генерируемый поток воды имеет то же направление, что и направление распространения метахрональной волны, и направление упругого хода, а поток глицерина противоположен направлению распространения метахрональной волны;
  • контрольный MAC не приводил к возникновению потоков глицерина;
  • массив MAC с меньшим шагом, т.е. с большим числом ресничек, генерирует более сильный поток воды, но это не всегда так для глицерина;
  • скорость воды линейно увеличивается с частотой взмахов MAC, а скорость глицерина имеет менее линейную зависимость от частоты взмахов ресничек;
  • поток воды, создаваемый метахрональным MAC, примерно в два раза больше потока, создаваемого контрольным MAC.


Изображение 4

В основе происходящего лежат инерционные эффекты, асимметричное движение и, естественно, метахрония. На 4A видно, что максимальная скорость внешнего кончика реснички во время упругого удара в воде находится в пределах нескольких м/с, что приводит к максимальному локальному числу Рейнольдса* (Remax) в пределах сотен, независимо от частоты взмахов (4B). Среднее значение Re составляет 0.1 при 1 Гц и 1 при 10 Гц.
Число Рейнольдса* величина, описывающая отношение инерционных сил к силам вязкого трения в вязких жидкостях и газах.
Из этого следует, что инерционные эффекты преобладают над вязкими эффектами в воде во время упругого хода, но не во время магнитного. В глицерине, с другой стороны, реснички движутся намного медленнее, а Remax намного меньше 1 в течение всего цикла, т.е. преобладают вязкие эффекты.

На 4C видно, что каждая ресничка соприкасается с той же областью во время магнитного хода и во время упругого. Это означает, что движение MAC является симметричным как в воде, так и в глицерине.

За счет вышеописанных данных можно объяснить разницу в направлении потоков воды и глицерина. В глицерине работает только метахрония, и противофазное движение массива MAC создает чистый градиент давления, который приводит к потоку, противоположному направлению метахрональной волны.

Если же говорить о воде, то тут действует не только метахрония, но и инерционные эффекты. Последние приводят к формированию потока в направлении упругого удара, то есть в направлении распространения метахронной волны.

Важно отметить, что любые эффекты, воздействующие на MAC и на потоки жидкости, поддаются не только численной оценке, но и манипуляции, за счет чего можно менять свойства массива и, как следствие, его функционал.

Одним из самых очевидных вариантов применения MAC являются мягкие роботы, интерес к которым за последние годы растет в геометрической прогрессии. Создатели MAC решили продемонстрировать, что их разработка отлично подходит для создания роботов, способных за счет метахронального движения ресничек перемещаться как по плоской поверхности, так и взбираться на склоны с углом до 180 (в воздушной, не в жидкостной среде).

В качестве испытуемого робота выступил массив MAC с шагом 350 мкм (т.е. 12 х 10 = 120 ресничек), длина которого составила 4 мм, а ширина 3.5 мм. В опытах было задействовано два типа роботов: метахронные из метахрональных MAC; контрольные из синхронно движущихся MAC.

Демонстрация движение метахронного робота (соответствует снимкам на 5A).


Изображение 5

Стоит отметить, что все поверхности (стекло), по которым роботы должны были перемещаться, были покрыты тонким слоем смазочного материала, чтобы обеспечить нужную адгезию между MAC и поверхностью. Из-за слишком низкой адгезии (слишком много смазки) реснитчатый робот останется прилипшим к поверхности, не двигаясь вперед, а из-за слишком высокой адгезии (отсутствует или мало смазки) робот вообще не сможет двигаться. На количественно показано смещение центральной точки тела робота как в горизонтальном, так и в вертикальном направлении.

В начале опыта магнитное поле перпендикулярно поверхности стекла, а MAC изгибаются в направлении, которое зависит от их расположения в массиве. Когда магнитное поле начинает вращаться по часовой стрелке передние MAC (справа) начинают изгибаться влево. Из-за адгезии между ресничками и поверхностью это движение заставляет тело метахрональных мягких роботов (толщиной 150 мкм) двигаться вперед. При этом задние MAC пытаются изгибаться вправо, но из-за трения они остаются более изогнутыми влево и перемещаются вперед вместе со всем телом робота. С течением времени, когда магнитное поле продолжает вращаться, центральная часть тела робота перемещается вниз вместе с изгибом MAC в средней части массива, что толкает робота вперед. На 0.6-0.8 секунде вращения магнитного поля массив MAC метахронно изгибается вправо, что поднимает робота вверх и толкает его немного назад в результате конкуренции между силами трения и сцепления, действующими на передние и задние MAC, соответственно. В завершение цикла (на 0.8-1.0 секунде вращения поля) передние MAC возвращается в исходное положение, чем еще раз толкают робота вперед. В результате за один цикл вращения поля метахрональный робот продвинулся вперед примерно на 0.35 мм. Стоит отметить, что направление движения робота можно изменить на противоположное, если просто изменить направление вращения магнитного поля также на противоположное (5C).

Демонстрация двунаправленного движения робота.

Метахронные роботы двигались в три раза быстрее роботов из контрольной группы (5D). Отличие было и в форме тела роботов: у метахронного оно изгибалось в ходе движения, а у контрольно оставалось неизменным.

Демонстрация робота из контрольной группы, движение ресничек которого было синхронным, а не последовательным.

Максимальная скорость движения робота составила 2.3 м/с при 10 Гц (5E), что соответствует примерно 7-кратной длине ресничек в секунду, а это можно сравнить со скоростью бега у человека.

В заключение ученые показали, насколько эффективно их роботы преодолевают препятствия, и какие грузы могут при этом переносить.


Изображение 6

На 6A показано, что робот может преодолевать небольшой холм с уклоном в 45. Основные проблемы возникают в точке образования склона, так как лишь часть массива MAC может касаться поверхности в этих местах.

Демонстрация способности робота взбираться на склон.

На 6B показаны результаты тестов, в ходе которых на роботов помещали различный груз, а они должны были преодолеть склон разного наклона так в воздушной, так и в жидкостной среде. Прежде всего видно, что роботы могут преодолевать склоны до 180 в воздухе. Это возможно за счет адгезии ресничек к поверхности, преодолевающей силу тяжести. При этом силы сцепления, управляющие движением, остаются одинаковыми для всех склонов.

Демонстрация способности робота преодолевать склоны с разным углом наклона (от 0 до 180).

На 6C показано, что метахронный робот весом 2 мг может нести стеклянное зерно весом 25 мг в воде со скоростью 0.2 длины ресничек за цикл и в этаноле со скоростью 0.3 длины ресничек за цикл.

Демонстрация способности робота двигаться с грузом.

Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых и дополнительные материалы к нему.

Эпилог


В данном исследовании ученые в очередной раз обратились за вдохновением к самому известному его источнику к природе. Многие микроскопические организмы, некоторые виды клеток и даже целые биологические системы оснащены мелкими цилиями (ресничками), с помощью которых они осуществляют движение (себя либо чего-то другого). Важной особенностью этих ресничек является их последовательное движение, т.е. метахрония.

Ученые создали массив, состоящий из одинаковых искусственных ресничек, расположенных на определенном расстоянии друг от друга. В каждой из них содержалось определенное число парамагнитных частиц, реагирующий на воздействие магнитного поля. Когда массив помещали внутрь установки, состоящей из двух противоположно расположенных вращающихся магнитов, реснички начали реагировать на вращающееся магнитное поле.

За счет этого массив двигался вперед (или назад, если магнитное поле вращалось в обратную сторону) как в воздушной среде, так и в жидкостной (вода или глицерин). По мнению ученых их разработка отлично подойдет для создания мягких роботов, что они и продемонстрировали на практике. Созданный робот мог двигаться и на плоской поверхности, и взбираться на крутые склоны, и даже переносить груз, значительно превышающий массу его тела. Максимальная скорость движения робота составила 2.3 м/с, что сравнимо со скоростью бега человека.

Данная разработка, как и любое новое творение, требует совершенствования, чем ученые и намерены заняться в будущем. Однако уже сейчас они с уверенностью заявляют, что их детище отлично подойдет для создания микрофлюидных насосов и гибких мягких роботов для биомедицины.

Благодарю за внимание, оставайтесь любопытствующими и хорошей всем рабочей недели, ребята. :)

Немного рекламы


Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).

Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?
Подробнее..

Снежная слепота беспилотных авто

02.06.2021 10:16:01 | Автор: admin


У природы нет плохой погоды, каждая погода благодать. Слова этой лирической песни можно понимать образно, интерпретировав погоду как отношения между людьми. Можно понимать и буквально, что также верно, ибо не было бы снежной и холодной зимы, мы бы не так ценили лето, и наоборот. Но беспилотные автомобили лишены лирических чувств и поэтического мироощущения, для них далеко не вся погода благодать, особенно зимняя. Одной из основных проблем, с которыми сталкиваются разработчики робомобилей, это снижение точности датчиков, указывающих машине куда ей ехать, во время плохих погодных условий. Ученые из Мичиганского технологического университета создали базу данных погодных условий на дорогах глазами беспилотных авто. Эти данные были нужны дабы понять что нужно изменить или улучшить, чтобы зрение робомобилей во время снежной бури было не хуже, чем в ясный летний день. Насколько плохая погода влияет на датчики беспилотных авто, какой метод решения проблемы предлагают ученые, и насколько он эффективен? Ответы на эти вопросы мы найдем в докладе ученых. Поехали.

Основа исследования


Работу беспилотных авто можно сравнить с уравнением, в котором очень много переменных, которые нужно учесть все без исключения для получения верного результата. Пешеходы, другие авто, качество дорожного покрытия (видимость разделительных полос), целостность систем самого беспилотника и т.д. Многие исследования ученых, провокационные заявления политиков, колкие статьи журналистов базируются на связи между беспилотным автомобилем (далее просто авто или автомобиль) и пешеходом. Это вполне логично, ибо человек и его безопасность должны стоять на первом месте, особенно учитывая непредсказуемость его поведения. Морально-этические споры о том, кто будет виноват, если автомобиль собьет пешехода, выскочившего на дорогу, продолжаются до сих пор.

Однако, если убрать из нашего образного уравнения переменную пешеход, то все равно останется много потенциально опасных факторов. Погода является одним из них. Очевидно, что в плохую погоду (ливень или снежная буря) видимость может снизиться настолько, что порой приходится просто остановиться, ибо ехать нереально. Зрение автомобилей, конечно, сложно сравнить со зрением человека, но их датчики страдают от снижения видимости не меньше нас. С другой стороны у машин есть более широкий арсенал этих датчиков: камеры, радары диапазона миллиметровых волн (MMW), система глобального позиционирования (GPS), гиростабилизатор (IMU), система обнаружение и определение дальности с помощью света (LIDAR) и даже ультразвуковые системы. Несмотря на это многообразие органов чувств, автономные машины все еще слепы во время плохой погоды.

Дабы понять, в чем же дело, ученые предлагают рассмотреть аспекты, совокупность которых тем или иным образом влияет на возможное решение этой проблемы: семантическая сегментация, обнаружение проходимого (подходящего) пути и объединение датчиков.

При семантической сегментации вместо обнаружения объекта на изображении каждый пиксель классифицируется индивидуально и присваивается классу, который пиксель представляет лучше всего. Другими словами, семантическая сегментация это классификация на уровне пикселей. Классическая семантическая сегментация сверточная нейронная сеть (CNN от convolutional neural network) состоит из кодирующей и декодирующей сетей.

Кодирующая сеть понижает дискретизацию входных данных и извлекает функции, а декодирующая использует эти функции для восстановления и повышения дискретизации входных данных и, наконец, присваивает каждому пикселю тот или иной класс.

Двумя ключевыми компонентами в декодирующих сетях являются так называемые слой MaxUnpooling и слой свертки Transpose. Слой MaxUnpooling (аналог слоя MaxPooling операция пулинга с функцией максимума) необходим для снижения размерности обрабатываемых данных.


Пример операции MaxPooling.

Существует несколько методов распределения значений (т.е. пуллинга), которые имеют общую цель сохранить местоположения максимальных значений в слое MaxPooling и использовать эти местоположения для размещения максимальных значений обратно в совпадающие местоположения в соответствующем слое MaxUnpooling. Этот подход требует, чтобы сеть кодирования-декодирования была симметричной, в которой каждый уровень MaxPooling в кодере имеет соответствующий уровень MaxUnpooling на стороне декодера.

Другой подход разместить значения в заранее определенном месте (например, в верхнем левом углу) в области, на которую указывает ядро. Именно этот метод и был использован в моделировании, речь о котором пойдет немного позже.

Транспонированный сверточный слой противоположен обычному сверточному слою. Он состоит из движущегося ядра, которое сканирует входные данные и свертывает значения для заполнения выходного изображения. Объемом вывода обоих слоев, MaxUnpooling и транспонированного можно управлять, регулируя размер ядра, отступы и шаг.

Второй аспект, играющий важную роль в решении проблемы плохой погоды, является обнаружение проходимого пути.

Проходимый путь это пространство, в котором машина может безопасно двигаться в физическом смысле, т.е. обнаружение проезжей части. Этот аспект крайне важен для различных ситуаций: парковка, плохая разметка на дороге, плохая видимость и т.д.

По словам ученых, обнаружение проходимого пути может быть реализовано как предварительный шаг к обнаружению полосы движения или какого-либо объекта. Этот процесс вытекает из семантической сегментации, цель которой состоит в том, чтобы сгенерировать попиксельную классификацию после обучения на наборе данных с пиксельной разметкой.

Третий, но не менее важный, аспект это объединение датчиков. Под этим подразумевается буквальное объединение данных от нескольких датчиков для получения более полной картины и уменьшения вероятных погрешностей и неточностей в данных отдельных датчиков. Существует однородное и неоднородное объединение датчиков. Примером первого может быть использование нескольких спутников для уточнения местоположения по GPS. Примером второго является объединение данных камер, LiDAR и Radar для беспилотных авто.

Каждый из вышеперечисленных датчиков по отдельности действительно показывает отличные результаты, но только в нормальных погодных условиях. В более суровых условиях работы их недостатки становятся очевидными.


Таблица преимуществ и недостатков датчиков, используемых в беспилотных авто.

Именно потому, по мнению ученых, объединение этих датчиков в единую систему может помочь в решении проблем, связанных с плохими погодными условиями.

Сбор данных


В данном исследовании, как уже упоминалось ранее, были использованы сверточные нейронные сети и объединение датчиков для решения проблемы обнаружения пути, по которому можно проехать, в неблагоприятных погодных условиях. Предлагаемая модель представляет собой многопотоковую (по одному потоку на датчик) глубокую сверточную нейронную сеть, которая будет понижать дискретизацию карт функций (результат применения одного фильтра к предыдущему слою) каждого потока, объединять данные, а затем повторно повышать дискретизацию карт для выполнения попиксельной классификации.

Для проведения дальнейших работ, включающих расчеты, моделирование и тестирование, необходимо было много данных. Чем больше, тем лучше, говорят сами ученые, и это вполне логично, когда речь идет о работе различных датчиков (камеры, LiDAR и Radar). Среди множества уже существующих наборов данных был выбран DENSE, которые охватывает большую часть необходимых для исследования нюансов.

DENSE также является проектом, нацеленным на решение проблем нахождения пути в суровых погодных условиях. Ученые, работавшие над DENSE, проехали порядка 10000 км по Северной Европе, записывая данные с нескольких камер, нескольких LiDAR, радаров, GPS, IMU, датчиков дорожного трения и тепловизионных камер. Набор полученных данных состоит из 12000 выборок, которые можно разбить на более мелкие подгруппы, описывающие конкретные условия: день+снег, ночь+туман, день+ясно и т.д.

Однако для правильной работы модели необходимо было провести коррекцию данных из DENSE. Исходные изображения камеры в наборе данных имеют размер 1920 х 1024 пикселей, их уменьшили до 480 х 256 для более быстрого обучения и тестирования модели.

Данные LiDAR хранятся в формате массива NumPy, который нужно было преобразовать в изображения, масштабировать (до 480 x 256) и нормализовать.

Данные радара хранятся в файлах JSON, по одному файлу для каждого кадра. Каждый файл содержит словарь обнаруженных объектов и несколько значений для каждого объекта, включая x-координаты, y-координаты, расстояние, скорость и т.д. Такая система координат параллельна плоскости автомобиля. Чтобы преобразовать ее в вертикальную плоскость, нужно учитывать только y-координату.


Изображение 1: проецирование y-координаты на плоскость изображения (слева) и обработанный кадр радара (справа).

Полученные изображения подвергались масштабированию (до 480 x 256) и нормализации.

Разработка CNN модели



Изображение 2: архитектура разработанной CNN модели.

Сеть была спроектирована так, чтобы быть как можно более компактной, так как глубокие сети кодирования-декодирования требуют немало вычислительных ресурсов. По этой причине сеть декодирования не была спроектирована с таким количеством уровней, как сеть кодирования. Сеть кодирования состоит из трех потоков: камера, LiDAR и радар.

Поскольку изображения с камеры содержат больше информации, поток камеры сделан глубже, чем два других. Он состоит из четырех блоков, каждый из которых состоит из двух сверточных слоев слоя пакетной нормализации и слоя ReLU, за которым следует слой MaxPooling.

Данные LiDAR не столь массивны, как данные от камер, потому его поток состоит из трех блоков. Точно так же поток Radar меньше, чем поток LiDAR, потому состоит всего из двух блоков.

Выходные данные от всех потоков изменяются и объединяются в одномерный вектор, который подключен к сети из трех скрытых слоев с ReLU активацией. Затем данные преобразуются в двумерный массив, который передается в сеть декодирования, состоящую из четырех последовательных этапов MaxUnpooling и транспонированной свертки для повышения дискретизации данных до размера ввода (480x256).

Результаты обучения/тестирования CNN модели


Обучение и тестирование проводились на Google Colab с использованием GPU. Подмножество данных, размеченных вручную, состояло из 1000 выборок данных камеры, LiDAR и радара 800 для обучения и 200 для тестирования.


Изображение 3: потери в обучающих выборках во время фазы обучения.

Выходные данные модели были подвергнуты постобработке с расширением и эрозией изображения с различными размерами ядер, чтобы уменьшить количество шума в выходных данных классификации пикселей.


Изображение 4: точность в тестовых выборках во время фазы тестирования.

Ученые отмечают, что самым простым показателем точности системы является пиксельная, т.е. отношение правильно определенных пикселей и неправильно определенных пикселей к размеру изображения. Пиксельная точность рассчитывалась для каждой выборки в наборе тестирования, среднее из этих значений и представляет общую точность модели.

Однако этот показатель не является идеальным. В некоторых случаях определенный класс недостаточно представлен в выборке, от чего точность пикселей будет значительно выше (чем на самом деле) из-за того, что не хватает пикселей для тестирования модели для определенного класса. Посему было решено дополнительно использовать MIoU среднее отношение области пересечения к области объединения.


Визуально представление IoU.

Подобно точности пикселей, точность по IoU вычисляется для каждого кадра, а конечный показатель точности это среднее от этих значений. Однако MIoU рассчитывается для каждого класса отдельно.


Таблица значений точности.


Изображение 5

На изображении выше показаны четыре выбранных кадра движения по снегу с камеры, LiDAR, радара, наземных данных и выходных данных модели. Из этих изображений очевидно, что модель может очертить общую окружность области, в которой транспортное средство может безопасно двигаться. Модель при этом игнорирует какие-либо линии и края, которые в противном случае можно было бы интерпретировать как края проезжей части. Модель также показывает хорошие результаты в условиях пониженной видимость (например, во время тумана).

Также модель, хоть это и не было основной целью данного конкретного исследования, избегает пешеходов, другие машины и животных. Однако этот конкретный аспект необходимо усовершенствовать. Тем не менее, учитывая, что система состоит из меньшего числа слоев, она обучается гораздо быстрее, чем ее предшественники.

Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых и дополнительные данные к нему.

Эпилог


Отношение к беспилотным автомобилям неоднозначное. С одной стороны, робомобиль нивелирует такие риски, как человеческий фактор: нетрезвый водитель, лихачество, безответственное отношение к ПДД, малый опыт вождения и т.д. Другими словами, робот не ведет себя как человек. Это хорошо, так ведь? И да, и нет. Во многом автономные транспортные средства превосходят водителей из плоти и крови, но далеко не во всем. Плохая погода тому яркий пример. Человеку, конечно, непросто ехать во время снежной бури, но для беспилотных авто это было практически нереально.

В данном труде ученые обратили внимание на эту проблему, предложив сделать машины немного человечнее. Дело в том, что у человека тоже есть датчики, которые работают командно для того, чтобы он получал максимум информации об окружающей среде. Если датчики беспилотного авто также будут работать как единая система, а не как отдельные ее элементы, можно будет получить больше данных, т.е. повысить точность нахождения проходимого пути.

Конечно, плохая погода это собирательный термин. Для кого-то легкий снегопад это плохая погода, а для кого-то буря с градом. Дальнейшие исследования и тестирования разработанной системы должны научить ее распознавать дорогу в любых погодных условиях.

Благодарю за внимание, оставайтесь любопытствующими и хорошей всем рабочей недели, ребята. :)

Немного рекламы


Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).

Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5-2650 v4 стоимостью 9000 евро за копейки?
Подробнее..

Разработчики встраиваемых систем не умеют программировать

02.05.2021 18:15:06 | Автор: admin

Заслуженно распространена точка зрения, что типичный разработчик высокоуровневого прикладного ПО настолько свыкся с доступностью системных ресурсов и мягкостью требований реального времени, что ожидать от него оптимизации кода в угоду снижения ресурсоёмкости приложения можно лишь в крайних случаях, когда этого прямо требуют интересы бизнеса. Это и логично, ведь в задачах прикладной автоматизации самым дорогим ресурсом остаётся ресурс человеческий. Более того, снижение когнитивных затрат на возню с байтами оставляет внимание разработчика свободным для задач первоочередной важности, таких как обеспечение функциональной корректности программы.

Редко когда речь заходит об обратной проблеме, имеющей место в куда более узких кругах разработчиков встраиваемых систем, включая системы повышенной отказоустойчивости. Есть основания полагать, что ранний опыт использования MCS51/AVR/PIC оказывается настолько психически травмирующим, что многие страдальцы затем продолжают считать байты на протяжении всей карьеры, даже когда объективных причин для этого не осталось. Это, конечно, не относится к случаям, где жёсткие ценовые ограничения задают потолок ресурсов вычислительной платформы (микроконтроллера). Но это справедливо в случаях, где цена вычислительной платформы в серии незначительна по сравнению со стоимостью изделия в целом и стоимостью разработки и верификации его нетривиального ПО, как это бывает на транспорте и сложной промышленной автоматизации. Именно о последней категории систем этот пост.

Обычно здесь можно встретить упрёк: "Ты чё пёс А MISRA? А стандарты AUTOSAR? Ты, может, и руководства HIC++ не читал? У нас тут серьёзный бизнес, а не эти ваши побрякушки. Кран на голову упадёт, совсем мёртвый будешь." Тут нужно аккуратно осознать, что адекватное проектирование ПО и практики обеспечения функциональной корректности в ответственных системах не взаимоисключающи. Если весь ваш софт проектируется по V-модели, то вы, наверное, в этой заметке узнаете мало нового хотя бы уже потому, что ваша методология содержит пункт под многозначительным названием проектирование архитектуры. Остальных эмбедеров я призываю сесть и подумать над своим поведением.

Не укради

Что, в конечном итоге, говорят нам вышеупомянутые стандарты в кратком изложении? Примерно вот что:

  • Не своевольничай. Наличие каждой строчки кода должно быть однозначно обосновано низкоуровневыми техническими требованиями и проектной документацией.

  • Пиши простой код. У простого меньше шансов сломаться или выстрелить тебе в ногу, чем у сложного.

  • Делай свои намерения явными и избегай неявных предположений. Это касается проверки инвариантов, исключения платформно-зависимых конструкций, исключения UB, unsafe и схожих граблей, заботливо разложенных языком программирования и средой исполнения.

  • Не забывай об асимптотической сложности. Ответственные системы обычно являются системами реального времени. Адептов C++ призывают воздержаться от злоупотреблений RTTI и использования динамической памяти (хотя последнее к реальному времени относят ошибочно, потому что подобающим образом реализованные malloc() и free() выполняются за постоянное время и даже с предсказуемой фрагментацией кучи).

  • Не игнорируй ошибки. Если что-то идёт не так, обрабатывай как следует, а не надейся на лучшее.

Это всё применимо в тех случаях, где непредвиденный сбой обходится бизнесу дороже, чем инвестиции в качественный софт и адекватную платформу. Про тестирование тут, кстати, говорится сравнительно мало, потому что это несколько обособленная дисциплина.

Видите пункт "игнорируй широко известные принципы проектирования сложных информационных систем"? Я тоже нет. Но подавленные воспоминания о том, как кросс-компилятор под дохлые однокристалки унижает разработчика в его собственном доме не дают человеку в полной мере осмыслить свои действия и их долгосрочные последствия. В итоге мы получаем спагетти без архитектуры, которое невозможно поддерживать и тестировать, но при этом оно носит гордую метку MISRA-совместимости как (сомнительное) свидетельство качества.

Я имел несчастье ознакомиться с некоторым количеством встраиваемого ПО реального времени, к надёжности которого предъявляются повышенные требования, и в пугающем числе случаев я ощущал, как у меня шевелятся на голове волосы. Меня, например, сегодня уже не удивляет старая байка об ошибках в системе управления Тойоты Приус, или байка чуть поновее про Boeing 737MAX (тот самый самолёт, который проектировали клоуны под руководством обезьян). В нашем новом дивном мире скоро каждая первая система станет программно-определяемой, что (безо всякой иронии) здорово, потому что это открывает путь к решению сложных проблем затратой меньших ресурсов. Но с повальной проблемой качества системоопределяющего ПО нужно что-то делать.

Если взять типичную встраиваемую систему достаточно высокой сложности, можно выделить примерно следующие сгустки логики:

  • Класс-бог, отвечающий за всё сущее.

  • Несколько драйверов периферии и коммуникационных протоколов, ко внутренним состояниям которых зачастую класс-бог обращается непосредственно, минуя хилые абстракции.

  • Utils или helpers, без них никуда.

Что в итоге: модульное тестирование невозможно, потому что нет модулей; толковая поддержка невозможна, потому что всё сложно; о гарантиях функциональной корректности трудно рассуждать всерьёз, нам бы для начала научиться выполнять вменяемую декомпозицию задачи, а не решать все проблемы в одном цикле сразу. Это зачастую преподносится как неотвратимая данность, нельзя по-другому, потому что это же не десктоп система с неограниченными ресурсами, вы не понимаете, это другое.

Инфоцыгане

Косвенным образом масла в огонь подливают некоторые поставщики программных инструментов для разработчиков встраиваемого ПО: Mbed, Arduino, и т.п. Их маркетинговые материалы вполне могут заставить начинающего специалиста поверить, что суть этой работы заключается в низкоуровневом управлении железом, потому что именно на этом аспекте диспропорционально фокусируются упомянутые поставщики ПО. Вот у меня на соседнем рабочем столе открыт в CLion проект ПО для одной встраиваемой системы; проект собирается из чуть более чем ста тысяч строк кода. Из этой сотни примерно три тысячи приходятся на драйверы периферии, остальное приходится на бизнес-логику и всякий матан. Моя скромная практика показывает, что за исключением простых устройств сложность целевой бизнес-логики приложения несопоставима с той его частью, что непосредственно работает с железом.

В один прекрасный день я обсуждал детали своего опенсорсного проекта (тесно связанного с эмбедами) с разработчиком из сторонней компании; назовём его Ильёй (в целях деанонимизации имя не было изменено). Илья работал над фичей для моего проекта, которая требовалась его работодателю. Илья работал внимательно и неспешно в силу своей аккуратности. Илья регулярно созванивался со мной, и мы обсуждали, как лучше сделать то да сё. Илья однажды сообщил, что пришёл к нему его начальник, отверз уста и изрёк:

Смотри, что я нашёл! Есть крутая новая система, Mbed называется, значит, для эмбедеров. Гляди, как можно быстро прототипы лепить! Клац, клац, и мигалка готова! Вот же, на видео. А ты, Илья, свой алгоритм оптимизации CAN фильтров пилишь уже неделю, не дело это, давай переходить на Mbed.

Я, разумеется, не хочу сказать, что права на существование сии продукты не имеют. Конечно, имеют, и более того: они чрезвычайно полезны, когда бизнес-логика проста и сосредоточена вокруг интеграции нескольких компонентов. За примерами ходить не надо, просто откройте любой их рекламный проспект это то, для чего они созданы. Но у меня подгорает, когда я слышу о менеджере, продвигающем эмбеддед-фреймворк для проекта, где работа с периферией и её отладка едва ли займёт 1% внимания программиста.

Весь этот горький катаклизм знаком многим, кто вхож в отрасль. Но ещё хуже обстоят дела, когда разработчик низкоуровневого ПО без надлежащей подготовки берётся за проектирование распределённых систем.

Когда один бэкэндер лучше двух эмбедеров

Ранее я публиковал большую обзорную статью о нашем открытом проекте UAVCAN (Uncomplicated Application-level Vehicular Computing And Networking), который позволяет строить распределённые вычислительные системы (жёсткого) реального времени в бортовых сетях поверх Ethernet, CAN FD или RS-4xx. Это фреймворк издатель-подписчик примерно как DDS или ROS, но с упором на предсказуемость, реальное время, верификацию, и с поддержкой baremetal сред.

Для организации распределённого процесса UAVCAN предлагает предметно-ориентированный язык DSDL с помощью которого разработчик может указать типы данных в системе и базовые контракты, и вокруг этого затем соорудить бизнес-логику. Это работает примерно как REST эндпоинты в вебе, XMLRPC, вот это вот всё. Если взять одного обычного бэкендера человека, измученного сервис-ориентированным проектированием и поддержкой сложных распределённых комплексов и объяснить ему суть реального времени, то он в короткие сроки начнёт выдавать хорошие, годные интерфейсы на UAVCAN.

Хрестоматийный пример интеграция системы воздушных сигналов, или хотя бы одного лишь датчика воздушной скорости. Наученный тяжким опытом разработки и сопровождения продакшена, бэкендер тщательно осмыслит следующий вопрос: "какую бизнес-задачу мы решаем?"

Допустим, ответ подопытного является вариацией на тему "измерение воздушной скорости, барометрической высоты и статического давления". Тогда на свет появляются примерно следующие строки DSDL:

# Calibrated airspeeduavcan.time.SynchronizedTimestamp.1.0 timestampuavcan.si.unit.velocity.Scalar.1.0    calibrated_airspeedfloat16                               error_variance
# Pressure altitudeuavcan.time.SynchronizedTimestamp.1.0 timestampuavcan.si.unit.length.Scalar.1.0      pressure_altitudefloat16                               error_variance
# Static pressure & temperatureuavcan.time.SynchronizedTimestamp.1.0 timestampuavcan.si.unit.pressure.Scalar.1.0    static_pressureuavcan.si.unit.temperature.Scalar.1.0 outside_air_temperaturefloat16[3] covariance_urt# The upper-right triangle of the covariance matrix:#   0 -- pascal^2#   1 -- pascal*kelvin#   2 -- kelvin^2

Мы получаем законченный сетевой сервис, который предоставляет данные системы воздушных сигналов (конечно, этот пример не претендует на звание законченного сервиса, но суть вы поняли). Если потребитель хочет, например, знать барометрическую высоту, он просто берёт и подписывается на соответствующий топик.

Знакомый с физикой полёта читатель здесь уместно поинтересуется: откуда оконечному устройству (что поставляет сервис воздушных сигналов) знать калибровочные параметры датчика воздушной скорости? Ведь это предполагает осведомлённость датчика о собственном положении на летательном аппарате и об его аэродинамических свойствах. Принципы инкапсуляции и разделения ответственности предписывают, что соответствующие параметры настраиваются на самом поставщике сервиса воздушных сигналов (т.е. сетевом узле датчика) с целью сокрытия деталей реализации сервиса от его потребителей.

В БПЛА некоторых типов практикуется автокалибровка, где выборка измерений с приёмника воздушного давления за значительный промежуток времени сопоставляется с наземной скоростью, чтобы таким образом определить калибровочные параметры эмпирически. В рамках сервис-ориентированного подхода это решается превращением системы воздушных сигналов в потребителя данных о наземной скорости. Проще говоря, наш сетевой узел, что измеряет воздушную скорость, подписывается на топик, в котором есть данные о наземной скорости летательного аппарата, получая таким образом доступ к необходимому контексту для выполнения автокалибровки.

"Очевидные вещи говоришь" скажет матёрый архитектор информационных систем "Тут сервис, тут зависимость, соединили и полетели". Но в кругу встраиваемых систем эти очевидные вещи, судя по моему удручающему опыту, являются откровением, потому что опытный эмбедер подходит к решению той же проблемы совершенно иным образом: не от целей, стоящих перед системой, а от средств их достижения. Или, короче говоря: первым вопросом является не что мы делаем, а как мы это делаем. В итоге вместо сервиса мы получаем один-единственный топик следующего типа:

uint16 differential_pressure_readinguint16 static_pressure_readinguint16 outside_air_temperature_reading

Это, конечно, нельзя использовать непосредственно, поэтому наше конечное устройство превращается в пассивный сенсор, который сообщает измерения на центральный узел, и тот затем выполняет вычисления и публикует их результаты в сеть в узкоспециализированных форматах, по одному под конечного потребителя. Например, если гироподвес и привод предкрылков нуждаются в воздушной скорости, то к каждому будет приделан отдельный топик своего типа. Своими глазами видел.

В итоге мы получаем всё то же спагетти с классом-богом, только вместо класса у нас центральный узел, а вместо спагетти сотня топиков без архитектуры. Нетрудно заметить, что этот подход также может увеличить время доставки данных и загрузку сети, а заодно и, возможно, снизить отказоустойчивость ввиду централизации процессов.

Художника каждый может обидеть

Не следует думать, что я хочу определить всех эмбедеров в биореактор. Я, в конце концов, и сам один из них. Но я склонен к мысли, что легче из хорошего прикладного программиста сделать толкового эмбедера, чем дождаться вменяемого кода от последнего.

Коллеги, одумайтесь.

Я вижу, как нашим микроскопом заколачивают ржавые гвозди, и представляю, сколько ещё подобного происходит за пределами моего поля зрения. В прошлом году уровень отчаяния в нашей скромной команде был столь высок, что мы опубликовали наноучебник, где объясняется, как выглядит сетевой сервис здорового человека: UAVCAN Interface Design Guidelines. Это, конечно, капля в море, но в один прекрасный день я всё-таки переведу его на русский язык ради подъёма уровня профессиональной грамотности.

Непонимание основ организации распределённых вычислений затрудняет внедрение новых стандартов на замену устаревших подходов. Наши наработки в рамках стандарта DS-015 (созданного в коллаборации с небезызвестными NXP Semiconductors и Auterion AG) встречают определённое сопротивление ввиду своей непривычности для целевой аудитории, в то время как ключевые принципы, на которых они основаны, известны индустрии информационных технологий уже не одно десятилетие. Этот разрыв должен быть устранён.

Желающие принять участие в движении за архитектурную чистоту и здравый смысл могут причаститься в телеграм-канале uavcan_ru или на форуме forum.uavcan.org.

Подробнее..

Перевод Лучшие экспериментальные протоколы для исследования реального мира

24.04.2021 16:07:19 | Автор: admin

Золотым стандартом исследований в области машинного обучения служит последовательная модель эксперимента: у вас есть базовый уровень, ваш эксперимент и фиксированный, заранее определённый набор тестов. Вы оцениваете свой базовый уровень на наборе тестов, получаете базовое значение. Затем вы выполняете свой эксперимент на наборе тестов и получаете другое значение. Затем вы сравниваете эти два результата. Допустим, вы публикуете все эти артефакты и предположительно любой может воспроизвести данные результаты. Это пример хорошей науки. Но я люблю невоспроизводимые исследования. И вот почему.


Воспроизводимость всегда была краеугольным камнем научного прогресса и предметом многочисленных семинаров и призывов к действию, особенно в области машинного обучения. Хотя попытки улучшить воспроизводимость результатов исследований, как правило, полностью оправданы и явно полезны для общества, они сопряжены с риском закрепления этой очень узкой модели точной воспроизводимости в качестве единственно приемлемого стандарта.

В академических кругах машинного обучения мало ценят то, что не все исследования могут позволить себе роскошь идеальной воспроизводимости по очень фундаментальным причинам и что, тем не менее, существуют научно обоснованные способы достижения статистической воспроизводимости при правильной разработке своего экспериментального протокола. Я считаю, что нам нужно улучшить собственное образование в рамках сообщества в целом, особенно в тех областях, где предмет исследования реальная производительность, например, для таких исследований робототехники, которые проводятся в моей лаборатории.

Для многих экспериментов, выполненных в Google, нет идеальной воспроизводимости, потому что фундаментально они связаны с оценкой влияния моделей на реальный мир. А реальный мир постоянно меняется: взаимодействие пользователей с системой существенно зависит от суточного цикла, смены времён года, мировых событий или ещё более неуловимых долгосрочных социальных тенденций. Ещё важнее то, что в результате изменений в самих моделях меняются пользовательские шаблоны.

Если вы заботитесь о влиянии своей модели на реальный мир, то для такого случая нет набора тестов.

Вы не можете проводить свои эксперименты последовательно (оценить базовый уровень в один день, а эксперимент провести на следующий), потому что мир уже изменился за это время, и ваши значения не сопоставимы. Вы также не можете сохранить вчерашний набор тестов, потому что ваши данные эволюционируют вместе с вашей моделью: если ваша модель предлагает пользователям набор результатов поиска, а показатель качества служит оценкой выбора их пользователями, невозможно вернуться к вчерашним пользователям и спросить их о том, что бы они сделали, если бы получили другой набор результатов.

Лекарством от этого стало параллельное проектирование эксперимента, иначе известное как A/B-тестирование. Для каждого экземпляра теста вы случайным образом выбираете выполняемую ветвь эксперимента: оценку базового уровня или эксперимент. Эта простая обработка отменяет любую изменчивость из-за лежащих в основе изменений распределения и позволяет получить статистически эффективные результаты, даже если ваша схема оценки находится в состоянии постоянного изменения.

И это приводит нас к самому большому непониманию A/B-тестирования и его пользы в качестве научного инструмента: оно часто используется, например, в UX-дизайне, чтобы узнать, влияют ли небольшие изменения компоновки сайта на переходы пользователей или могут ли тонкие изменения затенения сделать рекламу более привлекательной. В результате оно приобрело репутацию инструмента улучшения доверительных интервалов для очень малых эффектов. И поскольку исследователи машинного обучения относятся к доверительным интервалам в лучшем случае как к вынужденному допустимому отклонению, фактическая значимость А/В-тестирования для исследований в области машинного обучения обычно упускается из виду.

Параллельное A/B-тестирование целиком относится к тестированию больших эффектов, особенно когда нет возможности жёсткого контроля схемы оценки.

Мои коллеги недавно наглядно продемонстрировали это в контексте исследований робототехники. Как известно, в робототехнике очень сложно создать воспроизводимую схему оценки: роботы меняют положение, оборудование, объекты изнашиваются, меняется освещение, операторы роботов тонким образом влияют на то, как данная схема сбрасывается после каждого эксперимента. Печально известная проблема сброса, в частности, очень сложна, потому что создание хорошего протокола сброса, который возвращает настройку вашего робота в известное фиксированное состояние, может быть столь же трудным, как и запуск эксперимента в первую очередь.

Они взяли одну из наших простейших установок, задачу захвата идентичных пенопластовых кубиков внутри бункера, и измерили воспроизводимость этой идеально контролируемой среды.

Простая установка захвата с помощью робота. Источник: Robotics at Google (Робототехника в Google)Простая установка захвата с помощью робота. Источник: Robotics at Google (Робототехника в Google)

Они за несколько дней последовательно провели 11 экспериментов по захвату и измерили вероятность успеха и доверительные интервалы для каждого из них. Результаты, нормированные по отношению к производительности базового прогона, показаны ниже:

Изменчивость в идентичных экспериментах. Источник: Robotics at Google (Робототехника в Google)

Если бы каждому эксперименту соответствовала другая модель, мы бы сказали, что эксперимент 7 примерно на 2% лучше, а эксперимент 5 примерно на 5% хуже. И у нас бы даже были достаточно жёсткие доверительные интервалы, чтобы убедить вас в этом. Но здесь не было никаких различий между экспериментами, все они были идентичными. Обратите внимание, что это не случай отсутствия данных: большее количество данных будет только сокращать доверительные интервалы, а не перемещать их положение относительно базового уровня. Такая необъяснимая изменчивость целиком попадает в неизвестные неизвестные окружающей среды. И эта установка так же проста, как и для реального эксперимента с роботом: во многих статьях по робототехнике сообщается об экспериментах с последовательной обработкой и гораздо большим потенциалом необъяснимой изменчивости, чем этот. Что ещё важнее, если бы мы не измерили эту повседневную изменчивость, мы бы даже не догадались о её существовании. Очень немногие исследователи когда-либо задумывались об измерении внутренней изменчивости в их экспериментальной установке в первую очередь, потому что, давайте посмотрим правде в глаза: так это работает, и из этого направления исследований могут поступать только плохие новости.

Урок здесь заключается в том, что при использовании этого конкретного экспериментального протокола мы определённо не можем доверять любой разнице производительности ниже 10% я даже не знаю, доверял бы ли я разнице в 10% без большой повторной проверки. Неужели это безнадёжно? Конечно, нет. Введите параллельное тестирование.

Только избавившись от иллюзии идеальной воспроизводимости, вы сможете наслаждаться восхитительной свободой статистической воспроизводимости и по-прежнему заниматься наукой с гораздо более высокой эффективностью данных в качестве бонуса.

Вот три дня одного и того же эксперимента, но на этот раз базовый уровень оценивался параллельно с экспериментом, случайным образом выбранным в каждом эпизоде.

Изменчивость в параллельных идентичных экспериментах. Источник: Robotics at Google (Робототехника в Google)Изменчивость в параллельных идентичных экспериментах. Источник: Robotics at Google (Робототехника в Google)

Теперь обратите внимание, насколько последовательны числа, говорящие вам, что на самом деле нет никакой разницы между базовым уровнем и экспериментом. Нейтральные А/А-эксперименты, подобные этому, самый жёсткий статистический тест, и любой эксперимент, который действительно влияет на производительность, смог бы выдать чёткий сигнал.

Это было выполнено без каких-либо изменений в экспериментальной установке, только с немного другим экспериментальным протоколом.

Итак, почему же все не делают так? Давайте рассмотрим некоторые из этих задач.

Одно из распространённых заблуждений заключается в том, что, поскольку необходимо снова и снова оценивать базовый уровень для каждого эксперимента, нужно в два раза больше оценочных данных. Это неверно, как только есть некоторая изменчивость в вашей установке: выигрыш в статистической эффективности, который получается от постоянной оценки базового уровня, может составлять порядка величины данных или бесконечное количество данных в худшем случае, как мы видели выше. Есть хитроумные способы получения ещё большей эффективности данных с помощью перекрывающихся экспериментов вероятно, это самая недооценённая исследовательская работа, вышедшая из стен Google, но создание правильных инструментов для этой работы требует гораздо больше усилий, чем большинство исследователей, вероятно, готовы приложить при изучении этой проблемы.

Один из недостатков заключается в том, что ваша базовая оценка всегда должна быть работоспособной, предпочтительно выраженной в том же двоичном файле, что и ваш эксперимент, и поддерживать переключение на лету. Это, несомненно, требует работы и тщательного проектирования программного обеспечения. Преимущество этого заключается в том, что вы также защищаете себя от случайной деградации данных, когда какой-то сотрудник случайно изменяет что-то в вашем проекте, что влияет на базовую производительность, и вы этого не замечаете. Такое происходит с предсказуемой регулярностью в любой общей кодовой базе. Многие изменения в системе незначительны, влияют на исходную производительность тонкими способами и в конечном счёте не имеют отношения к рассматриваемому научному вопросу. Отсутствие необходимости всё это контролировать это абсолютная свобода.

Одно из очевидных преимуществ этой установки заключается в возможности контролировать свои доверительные интервалы на лету. Вы можете решить прекратить эксперимент, убедив себя, что он даёт даже немного отрицательный результат. Часто требуется гораздо меньше данных, чтобы убедиться в этом. Если эксперимент даёт положительный результат отлично! Просто выполняйте его, пока не получите правильные величины ошибок. А если вы измеряете не величину эффекта, а просто значимость, вы также можете остановить эксперимент раньше.

Но что можно сказать о том, чтобы сделать исследование воспроизводимым другими? Вы по-прежнему можете публиковать базовые и экспериментальные модели, а также экспериментальный протокол, а каждый может генерировать собственные данные о своей воспроизводимой системе, чтобы убедиться в достоверности полученных результатов. Напомним, что допущение здесь заключается в том, что использованные данные не могут быть повторно использованы либо потому, что они по своей сути эфемерны, либо не переносятся на любой будущий экземпляр той же исследовательской установки.

Ещё одно ключевое преимущество параллельного тестирования защита от ряда предвзятостей, главная из которых предвзятость экспериментатора: так как вы не можете знать, какая выборка данных в какую ветвь эксперимента направляется, вы не можете обманывать себя, полагая, что один результат лучше другого. Оно также защищает вас от случайной настройки на тестовый набор, так как в оценке присутствует определённый уровень стохастичности.

Ещё одна предвзятость, более характерная для укрепляющего обучения и робототехники, это несовершенные сбросы: если одна ветвь эксперимента заставляет механизм сброса вести себя немного иначе, чем другая, возможны тонкие различия, которые останутся незамеченными. Мы видели, как RL-системы манипулируют своей средой, чтобы получить определённые состояния сброса и, следовательно, повысить свои шансы на успех в последующих эпизодах или даже передать информацию между эпизодами таким образом.

Фактически протоколы параллельных экспериментов часто способны значительно уменьшить или устранить необходимость в сбросах в первую очередь: если ваша система завершает каждый эпизод в допустимой части пространства состояний, так как нет способа узнать, какая ветвь эксперимента привела к этой конкретной конфигурации среды, вы часто можете проводить пожизненные эксперименты без сброса и без предвзятости в отношении ветвей эксперимента.

Абсолютная изменчивость для идентичных базовых уровней. Источник: Robotics at Google (Робототехника в Google)Абсолютная изменчивость для идентичных базовых уровней. Источник: Robotics at Google (Робототехника в Google)

Одна из главных вещей, от которой вы отказываетесь, это комфорт иметь одну аккуратную пару результатов с базовой точностью и точностью испытаний, которые бы вы записали на бумаге и которые бы ожидал каждый академический рецензент. У каждого эксперимента имеется собственный базовый уровень, который, в свою очередь, имеет собственный доверительный интервал. Ваш абсолютный показатель точности испытаний зависит от дня выполнения измерения, но он всё ещё совершенно надёжен, поскольку каждый раз оценивается статистическая значимость измеренных различий между ветвями.

Тем не менее для рецензентов, принимающих эту реальность, барьер остаётся огромным. Переход от абсолютных, воспроизводимых истин к относительным, статистическим истинам вызывает дискомфорт. Это то, что во многих научных областях, таких как разработка лекарств, сделано по необходимости, но это всё ещё чуждо машинному обучению, где обычно нет необходимости отступать к комфорту автономных оценок. Проблема с этой институциональной аллергической реакцией на эксперименты с реальными системами, сбросившими видимость идеальной воспроизводимости, заключается в том, что в таких областях, как робототехника, реальная производительность на самом деле стала научным сферическим конём в вакууме и что академические практики, которые работают против этих в остальном твёрдых научных протоколов, активно сдерживают нас. Проводить эксперименты в реальном мире трудно, рискованно, а с академическими препонами для такого рода исследований следует бороться на каждом шагу.

Слишком много нашей коллективной энергии в этой области тратится на попытки придумать новые, цельные, совершенные эталонные тесты, которые чрезвычайно трудно построить, в несколько донкихотском стремлении сделать робототехнику более похожей на исследования в области машинного обучения. Конечный результат заключается в том, что, за очень редкими исключениями, большая часть усилий в этом направлении сводится к моделированию эталонных тестов и отказу от реалистичности ради воспроизводимости. У таких усилий всё ещё много достоинств, но они составляют только около половины уравнения, и часто сама цена их создания отвлекает исследователей от реальных научных поисков. Другие пытались определить метаэталонные тесты, обходя проблему воспроизводимости, не определяя задачу или экспериментальный протокол в точности в первую очередь. Как человек, который своевольно относится к протоколам и тщетности чрезмерной специализации проблемы, я думаю, что это позитивное общее направление, даже если оно откладывает обсуждение большей части сложных аспектов фактического исполнения.

Для нас в области машинного обучения и робототехники настало время использовать те простые инструменты, которые делают невоспроизводимые исследования воспроизводимыми и научно обоснованными. Ни один из протоколов, которые я описываю здесь, не является особенно трудным для реализации, но они обещают улучшить реальную науку, упростить её и ускорить. А если вы хотите ускорить свой прогресс в области machine learning или data science приходите учиться к нам, а наши опытные менторы пояснят все сложные моменты, на которые при самообразовании вы бы потратили ценное время.

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

Другие профессии и курсы
Подробнее..

Роботы-игрушки. Топ-10 проектов c Kikstarter для развития ребенка и обучения программированию

06.05.2021 16:19:55 | Автор: admin

Одним из направлений робототехники стали интеллектуальные игрушки для обучения детей творчеству, основам наук и программированию. Порой такие детские роботы уже обладают элементами искусственного интеллекта (ИИ) и способны самообучаться в процессе общения. Воплотить в жизнь самые оригинальные идеи из детской игровой робототехники помогают небольшим стартапам платформы Кикстартер и Индигого. Из представленных на этих краудфандинговых платформах проектов мы сформировали подборку наиболее востребованных идей, получивших финансирование для дальнейшего развития проекта.

Clicbot обучающий робот-игрушка

Clicbot универсальный программируемый робот-игрушкаhttps://youtu.be/sJaa1-Vnz4EClicbot универсальный программируемый робот-игрушкаhttps://youtu.be/sJaa1-Vnz4E

Clicbot универсальный программируемый робот-игрушка. Благодаря модульной конструкции робот можно собрать в виде гуманоида, двух и четырех колесной тележки, манипулятора, напоминающего формой и движениями промышленные роботы-автоматы. Имеется 50 предварительно запрограммированных забавных конструкций и множество других вариантов для самостоятельного творчества.

Интерактивный Clicbot способен слушать собеседника и реагировать на его действия. Хотя, он и не предназначен для использования в качестве полностью автономного робота-компаньона, но его поведение может легко программироваться. У Clicbot более 1000 настроек и каждая имеет свои под варианты. Он может ходить, ползать, танцевать, ездить, участвовать в гонках или даже подавать утренний кофе, увлекая детей занятиями по робототехнике и программированию.

Головной блок управления включает акселерометр, гироскоп, датчик расстояния, микрофон, динамик, модуль Wi-Fi. Видеокамера позволяет распознавать лица и образы, команды управления, поддерживает технологию FPV (First-Person View) для телеприсутствия и удаленного наблюдения. Для программирования Clicbot можно использовать графический редактор Google Blockly или язык Python

На платформе Кикстартер ClicBot собрал $903 248 от 1678 спонсоров.
keyirobot.com

Bittle программируемый роботизированный кот

Bittle это игрушечный аналог роботов от Boston Dynamic. Он чем-то напоминает и другого робота-собаку Sony Aibo. Но при этом Bittle продается по цене роботизированной игрушки в виде конструктора для самостоятельной сборки.

Bittle умеет ловко преодолевать препятствия, двигаясь на четырех лапах как настоящие животные. Он может запоминать десятки шаблонных движений, выполнять причудливые трюки по командам с пульта управления. А в случае потери равновесия и опрокидывания робот способен вернуться в исходное положение и продолжить движение к цели.

Bittle создан на основе доработанной платы Arduino, для сложных движений использует различные датчики и внешние устройства. Плата управления включает процессор Atmega328P/16 МГц, 2 КБ памяти SRAM и 32 КБ флэш-памяти. Кроме того есть инерциальный измерительный модуль, блок ШИМ для 12 сервоприводов, инфракрасный приемник и зуммер. Есть 4 разъема для модулей расширения.

Bittle это открытая платформа, позволяющая объединить гаджеты разных производителей в единую систему. Добавить роботу возможности ИИ можно подключением микрокомпьютера Raspberry Pi. Написанная на Python программа может запускаться на Raspberry Pi и других поддерживаемых процессорах, управляя Bittle через проводное или беспроводное соединение.

Для упрощенного программирования есть фреймворк OpenCat. Он определяет минимальную структуру данных и алгоритмы движений для четвероногих роботов. Вы сможете научить Bittle новым навыкам и трюкам, чтобы выигрывать призы в соревнованиях международного сообщества OpenCat.

На развитие проекта Bittle на Индигого было собрано $709 391 от 2505 спонсоров.
petoi.com

MOSS универсальный инструмент для обучения программированию

Комплекты MOSS от компании Modular Robotics это оригинальный конструктор для создания роботов. Разнообразные по назначению, программируемые кубики (Cubelets) легко комбинируются и позволяют собирать сотни разнообразных роботов.

Подбор кубиков в процессе сборки робота имитирует процесс простейшего программирования. Программирование с помощью графического редактора Blockly и MOSS Scratch задает алгоритмы контроля датчиков и управления исполнительными механизмами для движения, поворотов, подачи световых и звуковых сигналов.

Программировать и управлять роботом можно через Bluetooth с помощью смартфона или планшета с клавиатуры или пульта дистанционного управления.

При первоначальной цели на Кикстартер в $100 000 для финансирования проекта удалось собрать $361 293.

modrobotics.com

Makeblock Neuron платформа электронных строительных блоков

Makeblock Neuron это удобная для сборки программируемая платформа с использованием электронных строительных блоков. Более 30 типов блоков в виде кнопок, джойстиков, сенсоров и датчиков звука, освещенности, температуры, влажности и других параметров позволяют создавать множество оригинальных гаджетов.

Для соединения блоков между собой предусмотрены подпружиненные разъемы с магнитами. Помогает при этом интуитивно понятная система программирования. Каждый блок уже имеет предварительно запрограммированную функцию. Программировать новые функции можно в приложении Neuron или в редакторе mBlock 5. Для беспроводной передачи сигналов управления используются технологии Bluetooth и Wi-Fi.

Проект Neuron от китайской компании Makeblock получил на Кикстартер одобрение 1464 спонсоров, вложивших в развитие этой идеи $367 129.

makeblock.com

Thimble: новая электронная игрушка каждый месяц

Электронные наборы компании Thimble предназначены для любознательных детей и взрослых. Они помогают в увлекательной форме изучать основы электроники, робототехники, мехатроники и программного обеспечения. Новые наборы деталей для создания высылаются по подписке ежемесячно.

Среди наборов Thimble представлены комплекты для сборки игровых контроллеров, музыкальных синтезаторов, устройств для Умного дома. Можно заняться сборкой более сложных программируемых роботов на микроконтроллере Arduino с управлением через Wi-Fi.

Для начинающих предназначены более простые наборы: различные световые и музыкальные игрушки, термометры, таймеры, дверные звонки. Приложение Thimble включает пошаговые руководства по сборке и позволяет обмениваться опытом и знаниями с другими сборщиками каждой игрушки.

Для развития проекта Thimble через Кикстартер собрано $295 760 от 1776 заинтересованных заказчиков.

thimble.io

MarsCat домашний робот-кот

Полностью автономный, интерактивный MarsCat идеальный робот-игрушка с программируемыми возможностями. Он может выражать эмоции мяуканьем, движениями тела и глаз. Сделать поведение MarsCat натуральным и выразительным помогают 16 серводвигателей.

Программируемый микроконтроллер ATMega2560 позволяет реализовать 6 программируемых шаблонов поведения, MarsCat может быть восторженным или задумчивым, энергичным или ленивым, общительным или застенчивым.

Моделировать поведение настоящего животного помогают алгоритмы ИИ, реализуемые миникомпьютером Raspberry PI. Приобретенные одним роботом навыки и шаблоны поведения хранятся в отдельном модуле памяти и могут быть легко воспроизведены в другом роботе простой заменой памяти. Программировать поведение робота MarsCat помогает специальный комплект разработчика.

Реализовать проект MarsCat в жизнь помогли 227 спонсоров, вложивших в эту идею через Кикстартер $213 198.

elephantrobotics.com

Робот-автомобиль Zumi

Роботизированный автомобиль Zumi помогает детям изучать основы сложных наук, писать программы с использованием блочного кодирования и языка Python. Более опытные программисты смогут создавать программы для уникальных экспериментов с беспилотными автомобилями, научатся проектировать собственные нейронные сети, чтобы обучить Zumi классифицировать объекты и распознавать лица и жесты людей.

В процессе передвижения по трассе Zumi использует Tensor Flow и Open CV это те же самые программные инструменты, что есть и у настоящих беспилотных автомобилей.

Прототип Zumi был удостоен награды Лучшая инновация в категории Роботы и дроны на выставке CES 2019

Реализовать проект Zumi в жизнь помогли 888 спонсоров, вложивших в эту идею через $150 091

shop.robolink.com

ROYBI портативный робот-компаньон с ИИ

Портативный компаньон на базе ИИ создан для обучения детей иностранным языкам и базовым навыкам точных наук. Интерактивный робот идентифицирует ребенка по лицу, распознает эмоции и демонстрирует дружелюбное поведение для вовлечения детей в процесс обучения. Система распознавания голоса позволяет оценивать точность ответов и произношения.

ROYBI взаимодействует с повсеместно доступной онлайн-платформой для обучения детей и взрослых. Контролировать и оценивать занятия помогают формируемые роботом отчеты с рекомендациями по улучшению процесса обучения.

ROYBI был включен в США по версии CNBC в список 100 наиболее перспективных стартапов в 2019 году.

Запущенный на платформе Индигого проект ROYBI привлек $120 538

roybirobot.com

Заботливый Kiki

Kiki это робот-компаньон для детей и взрослых. Он распознает эмоции и действия собеседника, способен реагировать на них. Робот развивает свои уникальные способности в зависимости от особенностей взаимодействия с окружающим миром, при этом меняется и его поведение.

Высокопроизводительный встроенный процессор позволяет Kiki запускать модели глубокого обучения, чтобы распознавать лицо и адекватно воспринимать реакции собеседника. Несколько сенсорных датчиков в разных частях корпуса помогают воспринимать поглаживания, а всенаправленные микрофоны позволяют искать человека даже вне поля обзора камеры.

Реалистичное поведение этого робота базируется на исследованиях ведущих психологов о личностных особенностях человека. Действия в соответствии с заложенными моделями поведения и обучения обеспечивают некую осмысленность и логичность поступков Kiki.

Самообучающийся робот Kiki собрал на платформе Кикстартер $105 611.

kiki.ai

Smartipresence простой робот телеприсутствия

Конструктор Smartipresence поможет создавать собственных недорогих роботов телеприсутствия на основе любого смартфона.

Запущенное на смартфоне приложение поддерживает режим ИИ и позволяет распознавать образы с помощью облачного сервиса. По команде пользователя Smartipresence в сеансе видеосвязи будет сопровождать человека или даже домашнее животное, чтобы его лучше видел удаленный собеседник. Режим действий Smartipresence задается через приложение на смартфоне. Smartipresence можно визуально программировать в среде Scratch, либо с помощью Espruino на основе языка JavaScript.

Этот проект английского инженера Росса Аткина уже поддержали на Кикстартер 186 спонсоров, собравших для запуска проекта $17329.

В этой подборке мы собрали наиболее интересные и перспективные модели детских роботов-игрушек, включающие технологии телеприсутствия, распознавания речи и голоса, автономность действий и поведения на основе ИИ и машинного обучения, которые еще недавно были доступны лишь взрослым роботам.

Напишите в комментарии, а какие на ваш взгляд наиболее перспективные роботы-игрушки есть на рынке или уже у вас дома?

Подробнее..

В полуфинале конкурса 10M ANA Avatar XPRIZE единственной командой из Восточной Европы стала Dragon Tree Labs

07.05.2021 16:08:17 | Автор: admin

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".

Подробнее..

Приемник с АФАР для БЛА

06.06.2021 14:21:06 | Автор: admin

Цель

Для управления беспилотными объектами, типа коптер или самолётика, обычно используются узкополосные низкоскоростные модемы. Для передачи телеметрии и неспешных команд управления, вроде задания полётных точек по быстродействию этого вполне достаточно. В этих целях важнее, скорее, обеспечить бесперебойность канала управления, нежели гнаться за быстродействием, которое может измеряться секундами.

Типовым решением в данной области является использование всенаправленной антенны с интегрированного приёмопередатчика, типа sx1233, AX5043, на борту, и антенны с высоким коэффициентом усиления (КУ), типа волновой канал или клевер, на земле.

Пока есть прямая видимость все должно быть хорошо.

Но, как известно, не только земля не плоская, но и прямая видимость с достаточным бюджетом мощности ещё не гарантирует успешной связи. А виной тому, зачастую, бывают помехи.

Когда борт пролетает мимо мощного источника радиоизлучения с совпадающей частотой канала то на бортовую антенну оказывается воздействие, существенно превышающее сигнал от удалённого передатчика, и отфильтроваться полосовым фильтром оказывается невозможно.

Обзор электромагнитной обстановкиОбзор электромагнитной обстановки

В данной ситуации красивым решением выглядит изменение диаграммы направленности бортовой антенны таким образом, чтоб источник помехи оказался в её минимуме. Именно во столько раз и будет ослаблен паразитный сигнал, хотя и связь в канале управления тоже может ослабнуть.

возможная ДН с четырьмя четвертьволновыми штырямивозможная ДН с четырьмя четвертьволновыми штырями

ДН можно вращать механически типа поворотного основания, но это неудобно для борта конструктивно и много весит. Гораздо интереснее попробовать электронное вращение ДН: подключить несколько антенных элементов через управляемый фазовращатель и максимально ослабить помеху противофазным их включением.

Вот это и попробуем.

Средства

В качестве антенны возьмём четыре (потому что больше трех) четвертьволновых (т.к. самое простое) штыря и разместим их на металлической пластине, по углам квадрата со стороной четверть длины волны.

Антена АФАР. В центре - антенна передатчикаАнтена АФАР. В центре - антенна передатчика

Фазовращение осуществим в лоб, на AD8340. Полученные из каналов сигналы суммируем в один и отправляем на вход уже имеющегося приёмника, развёртку ДН осуществим микроконтроллером по максимуму отношения сигнал/шум (с/ш, SNR).

Структурна схема фазовращателя с предусилителемСтруктурна схема фазовращателя с предусилителем

Алгоритм простейший: поворачиваем максимум ДН до тех пор, пока лучше становиться, если перебор крутим в обратную сторону. Поскольку передача данных идут в пакетном режиме, то поворот делаем после каждого пакета, чтоб переходными процессами чего не испортить.

Расчёт фаз для суммирования каналов проведём на основании простейшей тригонометрии: по каждому из заданных направлений радиоволны должны распространяться синфазно. Т.е. фаза это проекция точки установки штыря на вектор направления луча.

Хинт: если из всех фаз вычесть одну их них то этот канал можно не управлять:)

График значений фаз для развёртки ДНГрафик значений фаз для развёртки ДН

Проверка

То, что четыре канала приёма заведомо лучше одного фактом является очевидным. Это даёт, как минимум, разнесение антенн в пространстве (antenna diversity) и дополнительное усиление сигнала. Гораздо интереснее, получится ли режектировать точечный источник помехи.

Для начала задаём в ДН одно направление и снимаем по всем углам КУ полученной фиксированной антенны тихой комнате.

ДН АФАР при угле направления 0ДН АФАР при угле направления 0

Как видно, что-то кривенькое получилось.

Попробуем теперь полетать с помехопоставителем. В этом качестве возьмём какой-нибудь передатчик, чтоб можно было в нем задать частоту, полосу и мощность. Подадим все это на сильно направленную антенну и будем пересекать полученный луч на разных расстояниях.

Пример формирования тестовой помехиПример формирования тестовой помехи

Результаты

Если кратко то режекция одиночно источника помехи удалась.

Если более детально то немного не так, как ожидалось.

Предполагалось, что ДН будет иметь классический внешний вид с диаметральными минимум и максимумом. На само деле получилась достаточно кривая ДН, с паразитными минимумами. Благодаря простейшему алгоритму наведения они, рано или поздно, совпадали с помехой и существенно ослабляли её. В этот момент начиналось успешное прокидывание пакетов с данными, пока сама антенна на БЛА сравнительно медленно механически не отворачивалась (ветер, смена курса..). Если процессы наведения происходят достаточно быстро (несколько раз в секунду), то для оператора создаётся ощущение устойчивой связи с объектом.

Так же оказалось, что просто антенна это только часть большой системы из кабелей, разъёмов, элементов конструкции и погоды на марсе. Реальные ДН каждый раз получались разные, но обязательно с острыми минимумами. Но благодаря простоте алгоритма даже в таком виде это успешно работало.

Выводы

Для попробовать полученного дорогого, энергозатратного, тяжёлого и плохо воспроизводимого решения вполне достаточно. Но надо прикинуть, что в этом направлении можно сделать дальше.

Самым очевидным решением является реализация модема и фазовращателя с антеннами в виде отдельного изделия. Если в самом деле есть проблемы с помехами то идём на все эти жертвы. А если в глухой тайге полетать надо, то можно и со штырём управиться. К тому же весь этот агрегат, собранный на одной плате вместе с подложкой штырей, имеет шанс получить воспроизводимую ДН.

Так же на будущее можно подумать о замене прямого решения с микросхемами фазовращения, на изменение структуры приёмника, чтобы суммировать сигналы на промежуточной частоте. Формирование множества сдвинутых по фазе опор является стандартной задачей для современного high speed design, сами структуры гетеродинных и инфрадинных приёмников давно уже обкатаны, и более сложное по числу элементов решение может оказаться дешевле по элементной базе и энергопотреблению.

Ну и в качестве высшего пилотажа уже можно начать бороться с несколькими вредителями сразу. Для этого надо увеличивать число управляемых элементов и формировать ДН с несколькими контролируемыми вырезами, что даёт подавление нескольких источников шума по разным направлениям.

Подробнее..

OpenAI SkyNet от Илона Маска. Разбор

17.05.2021 18:06:47 | Автор: admin
Три закона робототехники Айзека Азимова:

  1. Робот не может причинить вред человеку или своим бездействием допустить, чтобы человеку был причинён вред.
  2. Робот должен повиноваться всем приказам, которые даёт человек, кроме тех случаев, когда эти приказы противоречат Первому Закону.
  3. Робот должен заботиться о своей безопасности в той мере, в которой это не противоречит Первому или Второму Законам.

Признайтесь, что с таким быстрым развитием технологий, разработкой квантовых компьютеров и повсеместным использованием нейронных сетей, то вы и мы в последние годы ждем уже появления SkyNet?

А может быть вы наоборот считаете, что до реального искусственного интеллекта еще так далеко и что нам, на нашем веку, можно вообще не беспокоиться.Ведь для реальной интеллектуальной деятельности машин нужны гораздо большие вычислительные мощности!


Сегодня, на примере еще одного стартапа Илона Маска, под названием OpenAI, мы с вами посмотрим насколько далеко от нас реальный SkyNet и расскажем вам о том, в каком состоянии находится разработка ИИ в принципе прямо сейчас.

Сегодня мы с вами узнаем может ли робот написать симфонию или нарисовать шедевр?

Что такое ИИ?


Для начала давайте поймем, что такое искусственный интеллект?

Согласно одному из определений это искусственно созданная система, которая может решать творческие задачи, способна к саморазвитию, самопостроению и самоулучшению себя и себе подобных.

В принципе само понятие ИИ это скорее философское понятие. Мы никогда не увидим громких заголовков, вроде Изобретён Искусственный Интеллект!, человечество будет идти к нему медленно, но уверенно.



К сожалению, нет абсолютно точного определения, что такое искусственный интеллект, но есть тест. Знаменитый тест Алана Тьюринга, который он описал в 1950 году в философском журнале Mind. Суть теста заключается в том, что человеку и компьютеру задаются различные вопросы, а третий человек слушает их ответы. Главное, что человек слушающий ответы не знает, кто именно отвечает и, если у компьютера получилось обмануть человека, то считается, что компьютер победил и прошел тест Тьюринга.

Этот тест был впервые пройден компьютером в 2014 году. Специальная программа Eugene, или Женя Густман, с использованием пяти суперкомпьютеров, смогла обмануть 33% собеседников, что превысило необходимые 30% для прохождение порога.



Кстати, тест Тьюринга работает в две стороны. Есть и обратный тест, тест на человека, и его наверняка проходил каждый смотрящий это видео это знаменитая Captcha Completely Automated Public Turing test to tell Computers and Humans Apart или по-русски полностью автоматизированный публичный тест Тьюринга для различения компьютеров и людей.

И казалось бы, тест пройден, вот он искусственный интеллект, но на самом деле все гораздо сложнее.

В общем, есть два подхода к созданию ИИ:

Первый нисходящий, считайте сверху-вниз, то есть создание, баз знаний и систем, имитирующих реальные психические процессы человека, такие как мышление, рассуждение, эмоции, творчество и так далее.

Второй, который, опять же, знаком большинству из вас: восходящий или снизу-вверх, когда изучаются нейронные сети и так называемые эволюционные вычисления. Создаются простейшие нейронные модели, сочетание которых в итоге моделирует интеллектуальное поведение.

Это и есть те самые нейронки, о которых мы уже вам раньше рассказывали! Это именно те самые нейронки, которые занимаются улучшением ваших фотографий и подбором видео в TikTok.

Основная идея в том, что в будущем, объединив множество нейронных сетей, предназначенных для разных целей, можно построить фактически самостоятельно думающий компьютер, уровень самообучаемости и знаний которого будет такой, что он будет саморазвиваться! Это и есть ИИ.

Что сейчас?


О современном состоянии ИИ сказать не просто. Ведь есть множество областей, где нейронные сети и ИИ применяются очень активно. Хорошим примером является автопилот машин Tesla!

А есть области, где только планируется начать активное внедрение, и тут можно вспомнить о медицине. Только подумайте нейронная сеть, которая может в автоматическом режиме производить анализ результатов и давать советы по лечению, например, обработка рентгеновских снимков или анализы крови!

Вообще за последние пять лет интерес к области искусственного интеллекта вырос более чем в 3 раза, а количество стартапов только в период с 2015 до 2018 год выросло на 113 процентов.



А поскольку это очень активно развивающаяся область, то и количество ежегодных научных публикаций за последние 20 лет выросло раз в 8!



Огромным скачком стало и развитие нейронных модулей в процессорах, и рост инвестиций в эту область огромный!



В общем, вы поняли развитие области не просто идет, оно летит вверх!

И знаете, что самое интересное? На вопрос героя Уилла Смита о том может ли робот написать симфонию, уже можно ответить Да, может!

OpenAI


Илон Маск и еще 5 инвесторов в 2015 году организовали стартап под названием OpenAI, основная суть которого была в том, чтобы увеличить контроль над развитием и созданием ИИ.

Основатели OpenAI говорили о ней именно как о некоммерческой организации, которая не связана финансовыми обязательствами акционеров, чтобы исследователи могли сосредоточить свои силы на создании положительного воздействия ИИ на человека.

Сам Маск говорил, что считает ИИ одной из главных угроз человечества и для его лучшего контроля он активно поучаствовал в создании стартапа, который как раз занимается исследованиями в области ИИ.

Если не можешь победить что-то возглавь!, судя по всему именно этим они и руководствовались! И их результаты удивляют.

Вы наверное помните новость о том, что нейронная сеть обыграла команду OG, чемпионов International 2018 и 2019 годов в DOTA 2! Так вот эта нейронная сеть была создана командой OpenAI. Билл Гейтс тогда написал, что это очень важное событие, так как игра требует сложного командного взаимодействия.



Всего за время разработки OpenAI представили несколько нейронных сетей. Например, Jukebox специальная программа, обученная на более чем 1 миллионе песен всех жанров, которая способна самостоятельно писать музыку, осмысленный текст, и даже синтезировать вокал! Так что да и симфония, написанная машиной, уже возможна!

Только послушайте примеры! В принципе, большинство современных рэп-исполнителей больше не нужны.

А как вам нейросеть DALLE, которая способна просто по текстовому описанию, рисовать картинки? Она способна сама понимать контекст написанного, например человек задает a collection of glasses sitting on the table и давайте посмотрим, что выдает нейронная сеть?

Если переводить с английского, то изначальное описание можно сформулировать двумя вариантами первый это набор очков на столе, и мы видим, что нейронка рисует различные картинки, при этом есть и совсем нереалистичные. Но так же это описание можно перевести и как набор бокалов на столе, соответственно нейронная сеть рисует варианты и с бокалами!





Но как это стало возможным? Все благодаря специальному обучению алгоритма обработки естественного языка, под названием GPT-3.Это третья версия алгоритма представленная в 2020 году. Первая была анонсирована в 2018, для обучения которой была использована текстовая база в 5 Гигабайт, вторая версия спустя год уже изучила 40 гигабайт, а третья использовала базу в 500 ГБ текстов, данных, и 175 миллиардов различных параметров.

И такое количество данных позволяет ей делать уникальные вещи, например, понимать смысл прочитанного, писать большие структурированные тексты или, например, стихи!

Как же это работает?


На входе мы спрашиваем у программы вопрос! То есть мы фактически просим робота понять, что мы только что у него спросили и выдать нам ответ.

Алгоритму мы подаем один пример, где указываем лишь признаки и просим его предсказать, что будет дальше.

В процессе обучения будут ошибки, но внутренние алгоритмы рассчитывают ошибку в предсказании и обновляют нейронку до тех пор, пока ответ не улучшится.

hsto.org/webt/32/w2/bu/32w2bu4fmycoja-kapw6juep9oa.gif

И так несколько миллионов раз.Теперь представим, что наша нейронка уже обучена, то есть она уже скушала эти 500 ГБ текстов, которые взяла из книг и статей в интернете



Далее, после задания вопроса сети, начинаются сложнейшие многоуровневые преобразования. Заданные слова преобразуются в набор цифр и попадают в специальный 96-уровневый декодер, на каждом уровне этот набор чисел проходит через 1,8 миллиарда параметров для вычислений.

Чтобы было чуть более понятно это авторегрессионная модель, то есть такая модель, которая учитывает результаты предыдущих вычислений и основывается на них на следующем кругу расчетов.И вот пройдя все эти круги в конце выдается ответ, который имеет наименьшую вероятность ошибки на основе предыдущего обучения! Далее выдается ответ.



И вы спросите а какие перспективы? Они огромные. Фактически GPT-3 способна решать любые задачи на английском языке уже сейчас. И не только

Стоит сказать, что все совсем не так гладко с этой открытостью и светлым будущим ИИ. Дело в том, что Илон Маск покинул проект в 2019 году так как мог возникнуть конфликт интересов. И уже в 2020 году он открыто критиковал подход руководства организации в закрытости и непрозрачности, что, как мы помним, напрямую противоречит принципам заложенным в основе стартапа, да и даже в самом его названии!

А в середине 2020 года произошло что-то совсем странное. Microsoft выкупила эксклюзивные права на тот алгоритм GPT-3, что также подверглось жесткой критике со стороны Маска и сообщества.



Конечно, в самой компании заявили, что это никак не повлияет на доступ независимых разработчиков к GPT-3 через API компании, но определенно все эти новости вызывают недоверие и опасения.

Вывод




В любом случае все это развитие впечатляет. Еще пять лет назад никто и подумать не мог, что телефоны, со своими маленькими матрицами будут способны снимать астрофотографии, так как это делают современные смартфоны Pixel.

А скажите 15 лет назад кому-то, что автомобили самосто смогут самостоятельно безопасно ездить по улицам городов, на вас бы вообще как на сумасшедшего посмотрели!

Сегодня все это уже реальность с развитием нейронных технологий и искусственного интеллекта! И это только начало пути нейронных сетей.

Нам лишь остается верить, что все эти системы будут хорошо контролируемы и защищены от возможных внешних воздействий. Ведь в таких важных вопросах, которые уже непосредственно касаются жизни людей, безопасность и надежность важнее всего.

А как мы с вами знаем даже всесильные три закона робототехники, легко обходятся!
Подробнее..

Почему Пентагон закупил израильские беспилотники Skylord? Контуры ведения новых войн в стиле Skynet

16.05.2021 08:22:57 | Автор: admin
image

В этом году Пентагон после полугодичных испытаний сразу после проведенного Кремлем Парада Победы в честь 9 мая (совпадение? нет, не думаю(с)) таки заключил с израильской компанией Xtend контракт на поставку десятков небольших беспилотных летательных аппаратов для использования в помещениях и в городских условиях силами специального назначения ВМС, морской пехоты и армии.

Министерство обороны США заказало Skylord Xtender в партнерстве с Министерством обороны Израиля от имени Управления технической поддержки нерегулярных боевых действий. Xtend не предоставила информации о стоимости контракта.


Давайте подробнее разберемся с данными летательными аппаратами



Skylord Xtender



image

Xtend описывает свои продукты как оптимизированные для задач городской войны, включая миссии по борьбе с беспилотными летательными аппаратами, для ближнего боя, для перехвата самодельных взрывных устройств и для подземных операций".

Skylord Xtender предназначен для использования в помещениях, что является проблемой, с которой сталкиваются многие операторы беспилотных летательных аппаратов, когда они стремятся проникнуть в здания, не рискуя жизнью военнослужащих в условиях, где могут присутствовать самодельные взрывные устройства или могут скрываться враги.

Skylord Xtender обеспечивает ситуационную осведомленность с помощью 3D-видео, системы навигации, а также с помощью системы управления жестами и искусственного интеллекта, согласно видео компании.


Беспилотник имеет защиту на своих пропеллерах и может летать около 10 минут. На видео-демонстрациях маленький квадрокоптер парит в 30 сантиметрах от земли и влетает и вылетает из зданий, пролетая через небольшое отверстие размером со средний кирпич. Xtend утверждает, что Начальник Генерального штаба Армии обороны Израиля сам оперировал беспилотником на недавнем мероприятии, и что американские, британские, голландские и сингапурские чиновники видели демонстрации работы дрона.



Базовая технология управления подходит операторам, не имеющим опыта, и дает возможность управлять передовыми беспилотными летательными аппаратами через несколько секунд после обучения. Проблема заключается в том, что у вас нет GPS или освещения в помещении, и у вас может быть мебель или открытые окна с турбулентностью, а также завихрения от воздушного винта и своя физика полета в ограниченном пространстве. Для решения этих проблем Xtend работала с Министерством обороны Израиля и Управлением оборонных исследований и разработок в течение 18 месяцев, а также с Министерством обороны США в течение прошлого года. Партнерство между правительствами позволило фирме получить поддержку и двустороннее финансирование, что привело к относительно быстрому процессу приобретения продукции спецназом США.

Skylord Griffon



image

Американские военные протестировали актуальные системы борьбы с БПЛА. Существует три вида борьбы с БПЛА.

Попавшие на тесты системы отличаются различными подходами к борьбе с малыми БПЛА. Так, Skylord Griffon представляет собой обычный квадрокоптер, дополненный ловушкой для беспилотников. В полете он несет за собой раскрытую сеть на T-образном каркасе, а при обнаружении цели Griffon пролетает над ней, опутывая сетью пропеллеры беспилотника. Добычу БПЛА может сбросить в определенном месте, и вернуться к оператору для перезарядки. Ранние образцы БПЛА серии Griffon успешно совершили свыше 2500 перехватов малых БПЛА на границе с Сектором Газа.



Система DKD от компании Elta, специализирующейся на производстве радиолокационного оборудования, использует АФАР-радар и набор оптико-электронного оборудования. Это позволяет отслеживать, идентифицировать, и нейтрализовать малые БПЛА с помощью генератора помех.

Modular Intercept Drone Avionics Set (MIDAS) наиболее близка к классическим авиационным перехватчикам. Квадрокоптер оснащенный пневматической пушкой идентифицирует цели с помощью собственных датчиков, или по целеуказанию с наземных радаров. После этого система выбирает оптимальное место для ведения огня, и выводит из строя противника небольшим боеприпасом.

Как видите, пока производители не выбрали максимально эффективный способ противодействия малым БПЛА. Не исключено, что с примитивной угрозой сможет бороться только комплекс средств кинетического и радиоэлектронного воздействия.

Xtend также делает беспилотный летательный аппарат Skylord Griffon, предназначенный для уничтожения других беспилотных летательных аппаратов, что вот совсем недавно продемонстрировали на испытательном полигоне Юма в Аризоне. Эта система уже работает с израильским спецназом. Skylord Griffon представляет собой обычный квадрокоптер, дополненный ловушкой для беспилотников. В полёте он несёт за собой раскрытую сеть на T-образном каркасе, а при обнаружении цели Griffon пролетает над ней, опутывая сетью пропеллеры беспилотника. Добычу БПЛА может сбросить в определённом месте, и вернуться к оператору для перезарядки. Ранние образцы БПЛА серии Griffon успешно совершили свыше 2500 перехватов малых БПЛА на границе с Сектором Газа.

image

Используя визуальное устройство дополненной реальности (AR) и контроллер, управляемый одной рукой, военный оператор может использовать систему Skylord для легкого и точного управления дроном и выполнения сложных задач. Интерфейс системы позволяет оператору погрузиться в удаленную реальность, эффективно и безопасно поражая цели. Личный состав может получить полную сенсорную оценку ситуации на поле боя и использовать полезную нагрузку дронов-перехватчиков C-UAV, пройдя минимальный инструктаж без необходимости в специальных знаниях. Возможности системы были продемонстрированы в Израиле на перехвате зажигательных устройств, запущенных террористами из сектора Газы.

Уже успешно используется большое количество дронов, как в армии, так и в повседневной жизни. А что дальше? Очень много различных способов использования дронов и беспилотных аппаратов, которые в будущем и уже сейчас облегчают жизнь людям. А в скором времени большинство задач смогут выполнять дроны с искусственным интеллектом.

Источники:
  1. Pentagon orders small Israeli drones for indoor special operations
  2. -13": | "
  3. Skylord Keeps Warfighters Safe in the Heat of Battle
Подробнее..

38 Роботов будущего обзор полуфиналистов 10M ANA Avatar XPRIZE

20.05.2021 18:13:57 | Автор: admin

В полуфинал $10M ANA Avatar XPRIZE прошли 38 команд из 16 стран мира, в том числе одна команда из России. В сентябре 2021 команды продемонстрируют возможности своих систем на отборочных тестах в США. Лучшие команды пройдут в финал, намеченный на лето 2022 года. Призовой фонд конкурса $10M ANA Avatar XPRIZE составляет 10 млн. долларов.

$10M ANA Avatar XPRIZE - четырехлетнее международное соревнование, которое стартовало в 2018 году. Цель соревнования - разработка, совершенствование и ускоренное внедрение перспективных технологий в систему многофункциональных аватаров, которая позволит беспрепятственно переносить человеческие навыки и опыт в любую точку пространства будь то планета Земля или лунная станция. Робот-аватар позволит удаленному оператору видеть, слышать и действовать так, словно он находится на месте событий.

38 Teams from 16 countries expanding our potential

Большинство команд это компании, работающие в сфере робототехники, VR/AR. Команды объединяются, создают коллаборации для расширения экспертизы и привлекают партнеров.

Например, команда i-Botics (Нидерланды) имеет в составе 6 компаний с компетенциями для решения узких задач в создании робота-аватара: сенсоры, человекоподобные роботы, технологии передачи обратной связи оператору, социальные роботы и др.

Другой пример организации команды, японская команда GITAI, специализируется на разработке роботов для индустриального применения. Эта команда пришла на конкурс с глубокой экспертизой и прототипом высокого уровня готовности. Аватар GITAI управляется оператором из специально оборудованного кресла управления, способен передвигаться и выполнять непростые механические манипуляции. В своем демо GITAI говорит о применении создаваемого аватара для работы на Международной космической станции в 2022-23 гг.

В конкурсе также принимают участие академические команды, например: команда SantAnna (Италия) включает в себя профессорский состав, студентов-магистров, бакалавров и аспирантов. Команда Northeastern Северо-Восточный университет (Northeastern University, Бостон, США) сформировала рабочие группы по направлениям: VR, удаленное управление, сенсорика и др, которыми управляют студенты старшего звена. Помимо классической научной работы, они получают реальный опыт, где важна не только глубокая научная экспертиза, но и навыки управления и организации команд.

В списке полуфиналистов 38 квалифицированных команд из 16 стран мира. Наибольшее количество команд из США - 10, на втором месте Япония - 8 команд, Россию в полуфинале представляет 1 команда - Dragon Tree Labs.

Для желающих присоединится к команде Dragon Tree Labs и отправится на отборочные тесты для выхода в финал в Майами с нами открыт прием заявок на стажировку. Подробности на сайте по ссылке Dragon Tree Labs

В этом обзоре, мы собрали информацию, которая находится в открытом доступе на сайтах команд. Обзор получился довольно объемный и информация о части команд будет опубликована в следующей статье. Подписывайтесь на блог и не пропустите, следующий выпуск.

Итак, предлагаем подробнее ознакомится с участниками соревнования $10M ANA Avatar XPRIZE.

#1 Aham - Индия

Команда Aham коллаборация Индийского Научного Института в г. Бангалор, технопарка ARTPARK и компаний TCS Research и Hanson Robotics.

Hanson Robotics уже более двух десятилетий создают человекоподобных роботов, всем известны Sophia, Han, Little Sophia, Zeno, Professor Einstein. Объединенная команда Aham создает робота Ашу (Asha). Этот гуманоидный робот - двойник робота Софии, специально создан для НИОКР в рамках участия в $10M ANA Avatar XPRIZE. Телеуправляемый робот-медсестра Аша разговаривает женским голосом и выражает эмоции, ее лицо выглядит как у реального человека. Оно сделано из запатентованного материала Frubber - нанотехнологическая кожа, имитирующая мускулатуру лица и кожу человека. Во время разговора робот двигает губами, моргает и жестикулирует.

Представьте себе уход за пациентом, инфицированным COVID. Медсестра-человек рискует заразиться и боится быть инфицированной, в то время как робот без рисков может выполнять задачу, ранее выполняемую медицинским работником. Робот становится продолжением медсестры - Аша не заменит медсестру-человека, скорее будет ее помощником в заботе о пациентах. Аша способна выражать такие эмоции, как смех, улыбка, а также беспокойство, что позволяет пациентам чувствовать себя комфортно, разговаривая с роботом, и думая о нем не как о машине, а как о друге.

Каждый участник в команде Aham вносит существенный вклад в текущее программное и аппаратное обеспечение, создавая удобную для исследования имитационную модель управления роботом и улучшая возможности взаимодействия робота и человека. TCS фокусируется на интеграции туловища Аши со своей AGV платформой для придания мобильности роботу, а также создает интеграцию с различными симуляторами и инструментами визуализации. Исследователи Индийского Научного Института, специализирующиеся на машинном обучении, системах автономного полета дронов и автономных автомобилях, поддерживающих 5-G, фокусируются на телеуправлении и телевзаимодействии робота с людьми.

Совместно команда планирует достичь высокого уровня полуавтономсти, что сделает робота больше, чем просто аватаром и добавит встроенный интеллект. Для оператора робота полуавтономность снижает когнитивную нагрузку сложных интерфейсов, сократит время реакции и добавит еще один уровень безопасности в рабочей среде, поможет решить проблемы слепых зон.

#2 Avatar Quest, США

Команда Avatar Quest состоит из учеников старших классов школы Valley Christian Schools (VCS), г. Сан-Хосе, США. Мы разрабатываем робот телеприсутствия в эпоху, когда все существуют в телеприсутсивии. Это новая зарождающаяся культура поведения людей, где любые вещи можно делать не выходя из дома, потому что это намного безопаснее и эффективнее.

Такой образ жизни мы хотим создать с помощью разрабатываемых технологий - говорит ученик 12 класса Алекс Лопес. Команда Avatar Quest - это уже вторая команда из школы VCS, которая выходит в полуфинал соревнований XPRIZE. Ранее команда Ocean Quest стала самой молодой командой, когда-либо участвовавшей в полуфинале $7M Shell Ocean Discovery XPRIZE. В этом соревновании ребята взяли призовой раунд NOAA Bonus. Но на этом амбиции школы не заканчиваются - третья группа студентов также работает над улучшением экосистемы тропических лесов в рамках $10M XPRIZE Rainforest.

#3 AVATRINA - США

Команда AVATRINA разрабатывает аватар под названием TRINA. TRINA - это робот с продвинутым уровнем телеприсутствия, который умеет видеть, слышать, перемещаться и взаимодействовать с удаленной средой. Оператор управляет роботом, используя стандартную систему виртуальной реальности, а также с помощью встроенных контроллеров и тактильных перчаток.

На данный момент робот TRINA представляет собой подобную торсу человека установку на мобильной платформе и состоит из следующих компонентов:

  • голова робота в виде экрана с изображением человеческого лица с динамиком и камерой (угол вращения 360 градусов);

  • камеры глубины (RGBD-камеры), установленные на руках робота и камера глубины на груди робота

  • сменные концевые устройства для взаимодействия с предметами в качестве кистей руки (swappable end effectors)

  • UR5e рука с возможностью осевого движения (flexible collaborative robot arm)

Планируется добавить: тактильные ощущения руки робота в сочетании с VR, контроллеры в сочетании с VR, возможность управления через мобильное устройство. Компоненты разрабатываемого робота TRINA: 1) газодетектор и стереомикрофон на груди робота, 2) полностью анимированная голографическая голова, 3) сенсоры распределенные по поверхности торса и рук робота, 4) маневренные тактильные манипуляции рук и встроенные в руки камеры

В своем демо команда AVATRINA имитирует прием в клинике, во время которого аватар-доктор выполняет первичный осмотр пациента, сидящего в инвалидном кресле. На видео робот TRINA демонстрирует свои возможности: отслеживание положения головы, стереозрение, манипуляции, выполняемые руками робота, бимануальные манипуляции, безопасное управление механическим импедансом (safe impedance control), возможности навигации и сэйфти фичи.

#4 Cyberselves, Великобритания

"Let the robot be your surrogate self" - Команда Cyberselves разрабатывает софт телепресутвия Teleport, позволяющий управлять роботом из любой точки мира интуитивным и иммерсионным способом. Teleport App - приложение для робототехники, использующее универсальный язык Animus, end-to-end инструмент для программирования роботов, разработанный командой Cyberselves. Софт команды используется другой командой Roboy, также вышедшей в полуфинал $ 10M ANA Avatar XPRIZE.

Используя Teleport App и VR гарнитуру возможно перенестись в теле робота в любую точку мира - телепорт позволяет видеть то, что видит робот; слышать то, что слышит робот; чувствовать то, что чувствует робот, и перемещаться в его теле.

Команда получила грант 100k от UK's Sustainable Innovation Fund для использования своего опыта в сфере роботов телепресутвия для поддержки ключевых секторов экономики пострадавших от COVID-19: рынок недвижимости, выставочная индустрия и удаленное здравоохранение.

#5 Human Fusions - CША

Команда Human Fusions объединяет исследователей из 5 университетов США: Университет Кейс Вестерн Резер (Case Western Reserve University), Калифорнийский университет в Лос-Анджелесе (UCLA), Государственный университет в Кливленде (Cleveland State University), Университет Карнеги Меллон (Carnegie Mellon University), Вайомингский университет (University of Wyoming). Команда Human Fusions создает медицинский аватар Sensa. Первый прототип аватара сфокусирован на предоставлении оператору дополненного опыта удаленного управления роботом с тактильными ощущениями, визуальной и голосовой обратной связью. В аватаре используются следующие компоненты:

  • Робо-платформа Stretch (Hello Robot)

  • Манипулятор MIT GelSight с тактильными датчиками (UCLA)

  • Сенсорная перчатка NeuroReality (CWRU)

  • Oculus headset (Facebook)

Основной технологией, обеспечивающей связь с аватаром Human Fusions, является платформа NeuroRealityTM, а уникальной сильной стороной команды - это нейронный подход к получению сенсорной информации, чтобы обеспечить дополненный опыт через платформу NeuroReality. Интерфейс платформы создан для работы с различными другими роботизированными системами и команда открыта делиться экспертизой и сотрудничать с другими командами.

#6 ENZO AVATAR - Колумбия

Человекоподобный робот ENZO с 23 DOF и телеуправлением

#7 Dragon Tree Labs - Россия

Команда Dragon Tree Labs - единственная российская команда, которая продолжает бороться за победу и главный приз.

Нашего робота зовут Джони, он управляется дистанционно, а оператор наблюдает за происходящим через VR-очки. Робот-аватар оснащён колёсами и может свободно передвигаться по помещению. Для одновременного запуска нескольких нейронных сетей и параллельного выполнения задач с задействованием ML-алгоритмов на роботе установлен бортовой Edge AI компьютер, разработанный стартапом Fast Sense. На данном этапе у робота одна активная рука, которой можно управлять, а в будущем появится вторая. Аватар оснащен системой распознавания объектов для помощи оператору в захвате предметов. На данный момент робот обладает рядом ограничений, которые команда Dragon Tree Labs планирует устранить для повышения шансов на победу, в том числе за счет привлечения новых участников в проект.

До полуфинальных тестов в сентябре 2021, которые пройдут в США аватар обзаведется второй управляемой рукой, разными типами хватов, научится распознавать больше объектов. Также команда стремится обеспечить быструю передачу сигналов для управления роботом из любого точки мира. Важный аспект для дальнейшей проработки то, как аватар обеспечивает иммерсивность, передаёт ощущение присутствия и полноту обратной связи от объектов.

Если вам интересно присоединиться к нашей команде и помочь с апгрейдом аватара Джонни, пишите нам на почту hello@dtlabs.tech или заполните анкету на сайте

#8 I-BOTICS - Нидерланды

Команда I-BOTICS разработала антропоморфного робота, его высота робота 184 см и вес 89 кг. Движения робота соответствуют кинематике человека. Он может балансировать, наклоняясь или работая в сидячем положении, а также сохранит баланс при ударе или столкновении. Однако, передвигаться по неровной поверхности робот не может, так как установлен на колесной базе и есть проблема с динамической балансировкой.

Оператор управляет роботом, находясь в специальной кабине с экранами для управления роботом. Присутствуют элементы экзоскелета. Оператор видит глазами робота через встроенную камеру в голове робота. Используется VR-перчатка для того, чтобы получать обратную связь с кисти робота. Робот безопасен при прикосновении к человеку. При этом рука робота способна поднимать груз весом 8 кг на руку. Таким образом, в будущем робот сможет ухаживать за пациентами, помогая им встать с постели.

В своем демо видео команда демонстрирует как оператор с помощью робота-аватара помогает шеф-повару в Норвегии, находясь на расстоянии более 850 км в Нидерландах.

#9 INBIODROID - Мексика

Команда INBIODROID разрабатывает робот-аватар Prometheus для выполнения спасательных работ при ликвидации последствий в зоне чрезвычайных происшествий.

#10 Pollen Robotics - Франция

Pollen Robotics - команда стартапа, основанного в 2016 году двумя робототехниками из известного во Франции исследовательского центра Inria. Среди прошедших в полуфинал это одна из самых маленьких команд. Штат Pollen Robotics - это всего шесть человек, увлеченных претворением в жизнь своих идей и замыслов. С другой стороны это полностью открытая команда, призывающая к сотрудничеству единомышленников.

На сайте стартапа пока не отображен ход работы над проектом аватара для $10M ANA Avatar XPRIZE. Зато Pollen Robotics щедро делится своими знаниями и наработками по предыдущим реализованным проектам. Все они являются открытыми (open source), как и стартап.

В активе команды имеется открытая роботизированная платформа с интерактивным гуманоидным роботом Reachy, который очевидно и является прообразом аватара для $10M ANA Avatar XPRIZE. На сайте https://github.com/pollen-robotics выложена документация по отдельным компонентам Reachy.

Pollen Robotics стремится делиться своими знаниями и совместно решать возникающие на пути прогресса проблемы, вместо желания монополизировать полученные результаты исследований. В Pollen Robotics мы стремимся способствовать обмену знаниями в сообществе, чтобы помочь в реализации революции ИИ. Мы считаем, что вместо того, чтобы пытаться монополизировать какую-то проблему, мы должны совместно работать над ее решением, которое принесет всем пользу.

#11 proRobot - Чехия

Робота Fimbot создает команда proRobot из чешского университета в городе Градец-Кралове. Свое название робот получил по первым буквам факультета Информатики и управления (FIM - Faculty of Informatics and Management). Команда разработчиков состоит из студентов старших курсов и преподавателей этого университета.

Роботизированный аватар Fimbot должен отличаться простым и удобным управлением через костюм виртуальной реальности. Новейшие стандарты безопасности и шифрования призваны обеспечить надежность эксплуатации робота. Базовая модель Fimbot должна стать прототипом для специализированных аватаров, которые в будущем найдут применение в промышленности, здравоохранении, в аварийно-спасательных службах.

За основу 3D печатной конструкции Fimbot взят известный гуманоидный робот InMoov, созданный французом Гаэлем Ланжевеном. Отдельные конструктивные элементы робота создаются методом 3D печати из биоразлагаемого материала PLA (polylactic acid) это полимер молочной кислоты.

Пластиковая конструкция гуманоидного робота будет дополнена сенсорными датчиками, обеспечивающими в режиме реального времени обратную связь робота с человеком-оператором. Для успешной работы системы человек робот придется добавить скоростную систему телекоммуникации с использованием технологии Wi-Fi.

У проекта Fimbot пока один спонсор, но зато это компания Skoda Auto.

Видео комапнии можно посмотреть на странице в FB

#12 Rezilient - США

Компания Rezilient из США представляет в полуфинальном конкурсном отборе ANA Avatar XPRIZE проект Rezilient Health. Компания занимается оказанием медицинских услуг, отличающихся инновационным характером в организационном и технологическом плане. Роботизированная телемедицина одно из перспективных направлений в деятельности Rezilient.

Проводимые компанией из США инновационные разработки в области робототехники и удаленных коммуникаций позволят обеспечить клиентам полную доступность медицинских услуг в любое время и в любом месте. Создание аватара Rezilient Health позволит компании обеспечить внедрение новых, повсеместно доступных сервисов здравоохранения, включая телемедицину с использованием роботизированной техники, расширит возможности медперсонала по обслуживанию клиентов.

#13 Robot Guru

Проект Robot Guru реализуется на платформе уже готового продукта HoloSuit, куда входят куртка, брюки и перчатки, оснащенные набором датчиков и системой двусторонней беспроводной связи (Wi-Fi и Bluetooth LE) с программным обеспечением на базе Windows, iOS, Android. Встроенные датчики позволяют контролировать все движения человека.

Основанная в 2016 году компания сегодня предлагает свою разработку под названием Holosuit для применения в медицине, робототехнике, промышленности, образовании, спорте и играх.

В стандартный комплект HoloSuit четырех размеров для взрослого человека входят:

  • 23 встроенных датчика и 9 устройств тактильной обратной связи, распределенных по обеим рукам и ногам, встроенные кнопки на двух пальцах.

  • Holosuit может подключаться через Bluetooth, Wi-Fi и USB.

  • 6 датчиков движения на куртке.

  • 5 датчиков движения на брюках.

  • 12 датчиков движения на перчатках (по 6 на каждой перчатке).

  • 9 сенсоров с обратной связью (4 на куртке, 3 на брюках, по 1 на каждой перчатке).

  • 8 кнопок управления (4 на куртке и по 2 на каждой перчатке).

По заказу комплекты HoloSuit комплектуются лицензионным программным обеспечением. Компания HoloSuit обладает большим опытом исследований и разработки аппаратного/программного обеспечения, имеет более 37 патентов, выданных в США, ЕС, Китае, Корее.

#14 Synapse - Япония

Команда Synapse объединяет четыре экспертные группы, сформированные на базе известных компаний NTT Communications, Tokyo Robotics, XELA Robotics и университета Васэда. NTT Communications известная во всем мире телекоммуникационная компания. Основанная в 2015 году Tokyo Robotics занимается роботизацией складских и офисных помещений, ферм и даже домов. В компании XELA Robotics занимаются исследованиями и проектированием надежных и безопасных захватов и манипуляторов для роботизированных систем. Группа из престижного университета Васэда в г. Токио занимается созданием эффективных тактильных датчиков.

Команда Synapse уже имеет в своем активе гуманоидного робота общего назначения под названием TOROBO. На очереди создание робота AVATAR, который будет обеспечивать функции телеприсутствия. Каждая группа команды объединяет квалифицированных специалистов в своих областях: телекоммуникации, робототехника, удаленное управление и тактильные датчики. Демо видео - можно посмотреть по ссылке

Видео Tokyo Robotics, которое поможет представить будущее сервисных услуг с использованием телеуправляемого человекоподобного робота.

#15 SNU - Южная Корея

Команда SNU представляет Сеульский национальный университет (SNU). Основа команды студенты из пяти лабораторий университета и преподаватели, занимающиеся проектированием гуманоидных роботов. Среди них есть специалисты в области управления с использованием тактильных ощущений, разработки мягких сенсорных материалов. Интеграцией всей системы руководит профессор Пак Джэ Хын.

Аватар SNU включает три составляющие: систему управления, интерфейса и удаленно управляемый гуманоидный робот. Система управления состоит из видеошлема и перчаток для оператора. В видеошлем интегрированы дисплей, микрофон и система распознавания движений головы и речи. На дисплее виртуальной реальности отображается изображение с двух камер, которые установлены на голове гуманоидного робота и перемещаются вверх-вниз, вправо-влево при движениях головы оператора. Система распознавания речи оператора позволяет имитировать его эмоции матрицей из светодиодов на лице робота.

Система интерфейса обеспечивает передачу команд роботу и ответный поток данных с сенсорных датчиков гуманоида. На руках у оператора перчатки с датчиками для передачи движений рук и пальцев. Перчатки робота оснащены мягкими сенсорами для передачи в перчатки оператора тактильных ощущений.

#16 UNIST - Южная Корея

Второй южнокорейской командой, прошедшей в полуфинал ANA Avatar XPRIZE стала команда Национального института науки и технологий (UNIST) из г. Ульсан. В команде представлены студенты и аспиранты из лаборатории BiRC (Биоробототехника и управление) под руководством профессора и научного сотрудника с докторской степенью.

Команда пока не раскрывает деталей создаваемого Аватара. Но на сайте лаборатории представлены результаты многочисленных исследований в области мягкой и био робототехники, виртуальной реальности и удаленного управления.

В группе Мягких компонентов исследуют материалы для датчиков, которые помогут в создании захватов для аватара и перчаток с тактильными сенсорами для оператора

В группе Био робототехники занимаются созданием шагающих и летающих роботов. В группе Телеуправления разрабатывают алгоритмы удаленного управления роботами и аватарами с помощью жестов и движений туловищем оператора. В группе Виртуальной реальности исследуют надеваемый на руку тактильный интерфейс для точного отслеживания положения и интерактивного контроля усилия отдельных пальцев.

#17 Telexistence - Япония

Основанная в 2017 году японская компания Telexistence, занимается проектированием, производством и эксплуатацией удаленно управляемых роботов. Концепция виртуального присутствия в любом удаленном месте была предложена еще в 1980 году доктором Сусуму Тати, почетным профессором Токийского университета и президентом компании Telexistence.

Ключевые особенности технологии Telexistence:

  • Расширенные интерфейсные возможности подключения через стандартный проводной или беспроводной интернет.

  • Незначительная задержка при передаче сигналов управления.

  • Гибридная интеллектуальная система управления.

  • Уникальная механическая конструкция робота.

  • Оптимизированный дизайн виртуальной реальности.

В 2018 году Telexistence анонсировала серийный прототип удаленно управляемого робота MODEL H, в котором используются технологии дистанционного управления, виртуальной реальности и тактильных ощущений. Ориентированная в первую очередь на коммерческое применение MODEL H отличается простотой и долговечностью использования, сокращенным временем загрузки и запуска, имеет собственную облачную инфраструктуру с доступом через проводной и мобильный Интернет.

В июле 2020 года компания объявила о разработке модели T, в которой применяется для розничной торговли технология AWP (Augmented Workforce Platform), предполагающая использование гуманоидных роботов манипуляторов с управлением от удаленного оператора. Рука робота обеспечивает точную и быструю укладку товаров различной формы. Модель T обеспечивает повышенную точность удаленных манипуляций и минимизированную задержку управляющих сигналов при плотном трафике в телекоммуникационной среде.

#18 Touchlab - Великобритания

Команда сформирована на базе компании Touchlab из шотландского г. Эдинбург и занимается исследованиями в области роботехники. Одно из основных направлений деятельности компании разработка и производство электронной кожи eDermis с встраиваемыми в нее сенсорными датчиками.

Технология eDermis использует принцип туннельного эффекта для пьезорезистивного измерения прикосновения, усилия и положения. Гибкий пакет из металлических и полимерных пленок толщиной в 2 человеческих волоса легко настраивается по размеру, форме и количеству областей тактильного восприятия. Выходной сигнал eDermis снимается с 4 контактов. Прочный материал eDermis тоньше человеческой кожи и может использоваться для покрытия любых мягких и твердых поверхностей.

Последний вариант запатентованной технологии электронной кожи способен обнаруживать силу и направление воздействия в трех осях. Датчики eDermis будут дополнены программным обеспечением с использованием технологий глубокого обучения, что позволит роботам идентифицировать объекты и текстурированные поверхности на ощупь, обнаруживать и компенсировать проскальзывание при захвате предметов, измерять усилие нагрузки на опору. Такие датчики находятся в стадии интенсивной разработки, эксклюзивный доступ к ним предоставляется ограниченному числу клиентов.

Команда Touchlab заявляет. "Наш Аватар позволит оператору полноценно видеть и чувствовать на удалении, а также обеспечит другие способности, превосходящие человеческие возможности, такие как обнаружение дыма, вредных газов, излучения, инфракрасное зрение, ориентацию в пространстве. Улучшенное сенсорное восприятие позволит выполнять сложные задачи в опасных условиях гораздо эффективнее, чем это может сделать человек."

#19 Virtual Sapiens - Индия

Команда Virtual Sapiens объединила усилия и наработки трех коллективов в области систем виртуальной реальности, робототехники и передачи тактильных ощущений.

PropVR является удобной платформой для интерактивной 3D визуализации чертежей и изображений. Эта платформа, созданная на основе технологий искусственного интеллекта (AI), виртуальной и дополненной реальности (VR/AR), идеально подходит для создания систем удаленного телеприсутствия. Компания уже предлагает варианты использования своей платформы для виртуального присутствия в медицине, торговле и электронной коммерции, при продаже недвижимости, в туристическом бизнесе.

Компания Vicara занимается исследованиями в области технологий виртуальной реальности, которые позволяют управлять с помощью жестов оператора роботом, дронами, игровыми и другими виртуальными объектами. Компания имеет два продаваемых устройства удаленного управления, способных отслеживать малейшие движения кистей рук и пальцев (менее 1 мм). Задержка сигнала управления менее 10 мс. Устройства поддерживают Bluetooth Low Energy 5.0. По замыслу Virtual Sapiens контроллеры Vicara позволят успешно взаимодействовать с удаленным аватаром через каналы связи.

Компания Invent Robotics разрабатывает и продает роботов Mitra, которые способны автономно перемещаться в пространстве, распознавать людей по лицу и поддерживать с ними беседу. Компания позиционирует их в качестве роботов для приема гостей в различных учреждениях и для обслуживания посетителей в кафе и ресторанах. Заложенные в Mitra потенциальные возможности создания новых интерфейсов позволят Virtual Sapiens использовать этого робота в качестве аватара.

#20 GITAI - Япония

Команд GITAI разрабатывает робот-аватар для космической миссии на МКС при поддержке Японского космического агентства. В начале 2021 года в рамках Раунда В стартап GITAI получил инвестиции в размере 1.8 млрд йен (~16,5 млн. долл).

На конкурс $10M ANA Avatar XPRIZE представлен робот-аватар в виде верхней части тела человека (планируется добавить еще 2 руки) на мобильной колесной платформе. Робот способен производить манипуляции с мелкими предметы, открывать застежку-молнию, захватывать очень тонкие предметы.

На руках 2 датчика с опцией осевого вращения в кистях и руках (3 оси вращения на кончиках пальцев). Тактильные ощущения передаются оператору. Оператор управляет роботом при помощи специальной установки, а информацию об окружающей среде робота получает через глаза робота в свои VR очки и в наушники. Перемещением робота оператор управляет педалями.

В настоящий момент проходят процедуры тестов с NASA и эксперименты для работе робота на МКС. Эксперименты в космосе планируются на 2022-23 гг.

В этом обзоре мы разобрали только 20 полуфиналистов соревнования $10M ANA Avatar XPRIZE, и совсем скоро расскажем об оставшихся 28 командах. Подписывайтесь на наш блог, чтобы не пропустить выход статьи.

Представленные команды демонстрируют, что новое будущее, в котором роботы войдут в нашу повседневную жизнь, это не абстрактное будущее, а совсем уже близкая реальность. Команды объединяют усилия, собирают вокруг себя исследователей из топовых институтов, лабораторий, аккумулируют опыт коммерческих компаний, стартапов и индивидуальных робототехников для достижения общей цели - приблизить новое будущее.

Мы в Dragon Tree Labs также убеждены, что для совершения прорыва нужны коллаборации, совместные тесты и разработки. Это позволит быстрее дать миру принципиально новую платформу и отыскать значимые коммерческие применения систем, которые облегчат жизнь человека.

Наша команда Dragon Tree Labs объединяет индивидуальных разработчиков и команды робототехников для общей цели создать робота-аватара, который стал бы продолжением человека, который им управляет, расширил возможности телеприсутствия и дистанционного физического взаимодействия с объектами реального мира. Мы приглашаем к диалогу университеты и рисерч лабы, которым интересен этот проект. А для студентов открыта оплачиваемая стажировка на лето 2021 года.Подробности о стажировке на сайте Dragon Tree Labs

В разрабатываемом аватаре важно учесть социальный аспект общения робота и человека, это огромная новая область исследований психологии и социологии. Мы будем рады сотрудничеству с экспертами в этой области исследований.

Все, кто хотят присоединиться к проекту, могут писать на hello@dtlabs.tech

Участие в соревновании $10M ANA Avatar XPRIZE для нас это возможность открыть горизонты для всех участников нашей команды, которые по отдельности могут многое, но вместе могут совершить невозможное.

Подробнее..

Перевод От инвалида до киборга при помощи руки с ИИ

26.04.2021 18:04:48 | Автор: admin

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.


Послушать историю [на английском] можно на SoundCloud

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!

Настоящий киборг!Настоящий киборг!

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.

НейропротезНейропротез

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.

Схема NVIDIA Jet NanoСхема NVIDIA Jet 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:

Другие профессии и курсы Ссылки
  • [1] Nguyen & Drealan et al. (2021) A Portable, Self-Contained Neuroprosthetic Hand with Deep Learning-Based Finger Control.

  • [2]. Luu & Nguyen et al. (2021) Deep Learning-Based Approaches for Decoding Motor Intent from Peripheral Nerve Signals.

  • [3]. Nguyen et al. (2021) Redundant Crossfire: A Technique to Achieve Super-Resolution in Neurostimulator Design by Exploiting Transistor Mismatch: https://experts.umn.edu/en/publications/redundant-crossfire-a-technique-to-achieve-super-resolution-in-ne

  • [4]. Nguyen & Xu et al. (2020) A Bioelectric Neural Interface Towards Intuitive Prosthetic Control for Amputees

Подробнее..

РобоКросс 2010 2018. Уже история

19.05.2021 00:17:20 | Автор: admin

"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.

РобоКросс на СелигереРобоКросс на Селигере

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.

Волоколамск 2012 год. Стартовая арка с ГАЗелькой.Волоколамск 2012 год. Стартовая арка с ГАЗелькой.

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.

Группа ГАЗ - главный спонсор РобоКроссаГруппа ГАЗ - главный спонсор РобоКросса

Немного статистики и дат испытаний РобоКросс с 2010 по 2018 год

Год

Кол-во команд с беспилотными машинами

Количество команд с коптерами

РобоКросс Технологии

Unior Race

1

2010

6

нет

нет

нет

2

2011

7

нет

нет

нет

3

2012

6

нет

нет

нет

4

2013

9

нет

нет

нет

5

2014

7

3

нет

нет

6

2015

9

9

нет

нет

7

2016

6

4

2

нет

8

2017

8

6

2

3

9

2018

10

4

нет

7

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.

Схема стандартного расположения служб на малом испытательном кольце автополигона "Берёзовая пойма" Схема стандартного расположения служб на малом испытательном кольце автополигона "Берёзовая пойма"

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.

Машинка команды "Аврора" под граундомМашинка команды "Аврора" под граундом

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.

Типичный вид трассы РобоКросса. Бочки - это препятствия. Мешки с песком для устойчивости знаков.Типичный вид трассы РобоКросса. Бочки - это препятствия. Мешки с песком для устойчивости знаков.

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.

Установка антен мониторингаУстановка антен мониторинга

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.

Большой граунд. По верху закреплены баннеры-сетки.Большой граунд. По верху закреплены баннеры-сетки.

Ещё один вариант граунда.

Два маленьких граундаДва маленьких 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.

Совсем бюджетный вариант укрытия с мощной ветрозащитой. Этап застройки.Совсем бюджетный вариант укрытия с мощной ветрозащитой. Этап застройки.Вид начала старта и крепления граунда к ветрозащитному блоку.Вид начала старта и крепления граунда к ветрозащитному блоку.

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.

Трасса с однорядным барьером на котором закреплены баннеры, со знаками и БПТС команды НАМИТрасса с однорядным барьером на котором закреплены баннеры, со знаками и БПТС команды НАМИ

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.

Прибитая к грунтовой дороге разметка. Высокие технологииПрибитая к грунтовой дороге разметка. Высокие технологии

"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.

РобоКросс-2010

РобоКросс-2010

Первые соревнования состоялись (впервые в России) 18 июля 2010 года на молодежном инновационном форуме Селигер 2010. Количество команд от одного ВУЗа не ограничено. Согласно правилам, автомобили должны были автономно (без участия оператора) выполнить 3 задания:

проехать по прямой от точки до точки задание являлось квалификационным заездом;

проехать по п-образной траектории примерно 100 на 30 метров;

проехать по сложной кривой общей протяженностью около 400м.

Трасса задавалась дорожными конусами, расставленными на трассе. Команды-участники могли заранее пройти трассу и снять координаты узловых точек для своих автомобилей основной системой навигации являлась ГЛОНАСС/GPS (обязательное условие соревнований) Геос-1М. Еще одним обязательным условием было наличие системы экстренной остановки (подобно системе E-STOP).

Команды-участники представляли такие учебные заведения как:

Московский автодорожный институт,

Ковровскую государственную технологическую академию,

Саратовский государственный технический университет,

Рязанский государственный радиотехнический университет,

Нижегородский автомеханический техникум,

Нижегородский государственный университет им. Лобачевского.

По результатам проведения Робофест-2010 командам участникам было подарено 6 автомобилей Газель-бизнес для их переоборудования в беспилотные транспортные средства и вручено приглашение на Робокросс-2011. Один их спонсоров (Техновижн) так же представил для участия свою Газель.

Места распределились следующим образом:

1. Red Eyes (Ковровская государственная технологическая академия)

2. НАМТ (Нижегородский автомеханический техникум)

3. Аврора (Рязанский государственный радиотехнический университет)

РобоКросс-2011

РобоКросс-2011

Соревнования снова проходили на берегу озера Селигер. Задания включали в себя не только автономный вариант движения транспортного средства, но и ручной:

Движение в автономном режиме по прямой и остановка квалификация;

Движение в ручном режиме управления разведка. Необходимо было приехать в точку с заданными географическими координатами (координаты выдавались за полчаса перед заездом). В этой точке находился предмет, который необходимо было опознать, и передать его изображение;

Движение в автономном режиме по кривой (так же задаваемой координатами узловых точек), общей протяженностью 500м транспортировка.

На трассе находились препятствия, ширина коридора в самых узких местах составляла около 3м (при средней погрешности ГЛОНАСС/GPS приемника в 10м). Движение от точки до точки проходило по произвольной траектории с учетом объезда препятствий. Оценивались точность и время прохождения трассы. Требования к системам навигации и экстренной остановки не изменились.

Кроме Газелей, участие принимали самодельные транспортные средства и легковые автомобили. Квалификацию смогли пройти 7 транспортных средств.

Места распределились следующим образом, как и в прошлом году:

1. Red Eyes (Ковровская государственная технологическая академия)

2. НАМТ (Нижегородский автомеханический техникум)

3. Аврора (Рязанский государственный радиотехнический университет)

РобоКросс-2012

РобоКросс-2012

18-20 июля 2012 г. в Московской области под Волоколамском прошли третьи соревнования автомобилей-роботов РобоКросс-2012. Зарегистрировались на месте проведения соревнований 6 команд: RED EYES (г. Ковров), MobRob (Саратов), АВРОРА (г. Рязань), ВОЛГА (г. Нижний Новгород), НАМТ (г. Нижний Новгород), ФАУСТ (г. Москва).

В рамках соревнований командам-участницам предлагалось создать транспортное средство, которое в автономном или телеуправляемом режиме будет способно пройти маршрут, посетив указанные в задании точки. При этом транспортное средство должно провести видео- или фоторазведку местности и передать эту информацию оператору.

Места распределились следующим образом:

1. НАМТ (Нижегородский автомеханический техникум)

2. RED EYES (Ковровская государственная технологическая академия)

3. ВОЛГА (Нижегородский государственный университет им. Лобачевского)

Еще один партнер Программы компания National Instruments, учредила специальную номинацию Лучшее техническое решение. Первое место в этой номинации заняла команда MobRob, второе ВОЛГА, третье АВРОРА.

РобоКросс-2013

РобоКросс-2013

С 17 по 20 июля 2013 года в Нижнем Новгороде на полигоне Автозавода ГАЗ Берёзовая пойма прошли четвёртые Ежегодные полевые испытания РобоКросс-2013.

Задание соревнований называлось Мул и было призвано смоделировать реальную ситуацию, в которой возникает необходимость вернуть транспортное средство (ТС) в том числе и с грузом, в точку, где было начато движение, в автономном режиме (без оператора или водителя). Вес груза 5 50 кг. Начисление баллов производится за время прохождения и факт доставки груза.

В РобоКроссе-2013 приняли участие девять студенческих команд из Москвы, Нижнего Новгорода, Рязани, Коврова, Саратова и Уфы. Квалификацию прошли следующие команды российских учебных заведений:

Red Eyes (Ковровская государственная технологическая академия),

MobRob (Саратовский государственный технический университет им. Ю.А.Гагарина),

Аврора (Рязанский государственный радиотехнический университет),

Волга (Нижегородский государственный университет им. Лобачевского)

НАМТ (Нижегородский автомеханический техникум)

Места распределились следующим образом:

Аврора (Рязанский государственный радиотехнический университет),

НАМТ (Нижегородский автомеханический техникум)

MobRob (Саратовский государственный технический университет им. Ю.А.Гагарина).

РобоКросс-2014

РобоКросс-2014

С 07 по 12 июля 2014 года в Нижнем Новгороде на полигоне Автозавода ГАЗ Берёзовая пойма прошли пятые Ежегодные полевые испытания РобоКросс-2014. Абсолютным победителем испытаний стала команда Аврора Рязанского государственного радиотехнического университета. Команда Аврора с робототехнической системой на базе автомобиля ГАЗель в этом году стала двукратным абсолютным победителем РобоКросса и на церемонии награждения получила сертификат на участие в Европейских испытаниях роботов Eurathlon-2015. Также робототехники из Рязанского государственного радиотехнического университета смогли стать обладателями номинаций Лучшее техническое решение - команда Аврора, Лучшая команда в классе Свободный - команда LOOK.

Остальные номинации испытаний распределились следующим образом:

Командная работа - УМиКо, г. Москва (Университет Машиностроения)

Награда от судей - BaumanCar, г. Москва (Московский государственный технический университет имени Н.Э.Баумана);

Системный подход - Волга (НГУ им. Лобачевского г. Нижний Новгород);

Специальный приз от Оргкомитета - ФАУСТ (Московский Авиационный Институт).

На площадке РобоКросс-2014 также проводились испытания беспилотных летательных систем (БЛС). Лучшая команда в испытаниях Беспилотных летающих систем - команда ЛК из Рязани, а на втором месте с небольшим отрывом финишировала команда из г. Коврова Red Eyes.

РобоКросс-2015

РобоКросс-2015

Фонд Олега Дерипаска Вольное Дело и Группа ГАЗ при партнёрстве с Фондом Сколково провели с 13 по 17 июля 2015 года в Нижнем Новгороде соревнования автоматизированных транспортных средств РобоКросс-2015.

Абсолютным победителем соревнований стала команда Аврора Рязанского государственного радиотехнического университета, которая продемонстрировала эффективные технические решения, внедренные на автомобиле ГАЗель для повышения функциональности при беспилотном режиме вождения. Команда-победитель получила право участвовать в Европейских испытаниях роботов ElRob в 2016 году. Команда Фауст Московского авиационного института стала обладателем номинации Лучшее техническое решение.

Номинации испытаний распределились следующим образом:

1. Командная работа команда ФГУП НАМИ,

2. Награда от судей УМиКо (Москва, Университет машиностроения),

3. Системный подход команда МК-Ультра-НН (сборная команда Нижегородского автомеханического техникума и НГТУ им. Р.Е. Алексеева),

4. За настойчивость в достижении цели команда KSTA Team (Ковровская государственная техническая академия),

5. Лучший в классе Свободный команда LOOK (Рязанский государственный радиотехнический университет).

В состязаниях приняли участие 18 студенческих команд ведущих вузов Москвы, Нижнего Новгорода, Рязани, Коврова и Владимира. Большинство команд неоднократно участвовали в РобоКроссе на автомобилях ГАЗель, подаренных Горьковским автозаводом Группы ГАЗ самым активным участникам программы Робототехника.

Впервые в рамках основных испытаний автономных транспортных прошел Открытый кубок Сколково, в котором команды продемонстрировали возможности своих роботов в упражнении Параллельная парковка в полностью автономном режиме. Победителем стала команда Avrora Robotics (КБ Аврора, Рязань), которая получит грант от Фонда Сколково.

РобоКросс-2016

РобоКросс-2016

с 11 по 15 июля 2016 года на полигоне Автозавода ГАЗ, Берёзовая пойма, г. Нижний Новгород, проведены седьмые Ежегодные полевые испытания беспилотных систем РобоКросс-2016

Наибольшее количество баллов в направлении Наземные транспортные средства набрала команда Фауст Московского авиационного института, второе место заняла команда KSTA Team (Ковровская государственная техническая академия), третье место Студенческое конструкторское бюро Роботизированные транспортные системы (СКБ РТС, сборная команда Нижегородского автомеханического техникума и Нижегородского государственного технического университета).

Лучшими командами, использовавшими автономный режим вождения, стали команды СКБ РТС и команда Аврора Рязанского государственного радиотехнического университета.

В направлении Беспилотные летающие средства победителем стала команда Коптер Express (Москва), в направлении РобоКросс-технологии команда Le Talo (Le Talo Robotics, Владимир).

Кубок Сколково за демонстрацию робототехнических систем помощи водителю получила команда ФГУП НАМИ.

В состязаниях приняли участие 14 студенческих команд ведущих вузов Москвы, Нижнего Новгорода, Рязани, Коврова, Владимира и Санкт-Петербурга.

В ходе основных соревнований на специально подготовленном испытательном полигоне участники продемонстрировали способность транспортных средств самостоятельно, в полностью автоматическом или телеметрическом режимах выполнять комплекс упражнений на земле и в небе, руководствуясь данными Глобальной навигационной спутниковой системы (ГЛОНАСС). Для команд была смоделирована реальная ситуация, при которой беспилотный автомобиль в автономном режиме должен пройти трассу с препятствиями, выполнить развороты и другие маневры, в том числе, и с использованием задней передачи. Летающие беспилотные платформы, помимо демонстрации самостоятельного полета, выполнили задание по доставке груза в определенную точку местности на основе заранее заданных координат-меток.

В этом году основной регламент был расширен новыми заданиями по автоматизированным системам помощи водителю ADAS (Advanced driver assistance systems).

В рамках РобоКросса-2016 впервые стартовало новое направление РобоКросс-технологии, в котором команды представили экспертам Группы ГАЗ проекты, ориентированные на решение конкретных задач в области беспилотных и интеллектуальных систем с возможностью реализации в ближайшей перспективе. Наиболее востребованными темами в этой области являются системы предупреждения о сходе с полосы движения, помощи при смене полосы движения, предупреждения о фронтальном столкновении, автоматического торможения.

РобоКросс-2017

РобоКросс-2017

Фонд Олега Дерипаски Вольное Дело и Группа ГАЗ при участии фонда Сколково провели

с 03 по 07 июля 2017 года на полигоне Автозавода ГАЗ, Берёзовая пойма, г. Нижний Новгород восьмые Ежегодные полевые испытания беспилотных систем РобоКросс-2017.

Абсолютным победителем среди студенческих команд в направлении РобоКросс-транспортные средства признана команда CVL Robotics Московского политехнического университета, лучшей командной среди разработчиков и коммерческих организаций стала команда ФГУП НАМИ, в специальной номинации За волю к победе победила команда Нижегородского государственного технического университета.

В состязаниях приняли участие 19 студенческих команд ведущих вузов Москвы, Нижнего Новгорода, Рязани, Коврова, Владимира, Оренбурга, Самары и Санкт-Петербурга. В РобоКроссе участвовали не только наземные транспортные средства, но и летающие беспилотные системы.

В этом году основной регламент был расширен новыми заданиями по автоматизированным системам помощи водителю ADAS (Advanced driver assistance systems). Стратегия развития Группы ГАЗ предусматривает планы по оснащению транспортных средств системами активной помощи водителю с целью снижения рисков дорожно-транспортных происшествий, происходящих по вине человека.

В ходе основных соревнований на специально подготовленном испытательном полигоне участники продемонстрировали способность транспортных средств самостоятельно, в полностью автоматическом или телеметрическом режимах, выполнить комплекс упражнений на земле и в небе, руководствуясь информацией глобальной навигационной спутниковой системы ГЛОНАСС. В задании для команд была смоделирована реальная ситуация, при которой беспилотный автомобиль в автономном режиме должен пройти трассу с препятствиями, выполнить развороты и другие маневры, в том числе и с использованием задней передачи. Летающие беспилотные платформы, помимо демонстрации самостоятельного полета, выполняли задание по доставке груза в определенную точку местности на основе заранее заданных координат-меток.

В направлении РобоКросс-технологии команды представили экспертам Группы ГАЗ проекты, ориентированные на решение конкретных задач в области беспилотных и интеллектуальных систем с возможностью реализации в ближайшей перспективе. Наиболее востребованными темами в этой области являются системы предупреждения о сходе с полосы движения, помощи при смене полосы движения, предупреждения о фронтальном столкновении, автоматического торможения.

РобоКросс -2018

РобоКросс -2018

Фонд Вольное Дело и Горьковский автозавод с 9 по 12 июля 2018 года будут проводить в Нижегородской области IX Ежегодные полевые испытания беспилотных систем РобоКросс-2018. В состязаниях примут участие 25 студенческих команд ведущих вузов Москвы, Нижнего Новгорода, Иркутска, Рязани, Саратова, Ульяновска, Владимира, Самары и Санкт-Петербурга. Соревнования пройдут на испытательном полигоне Горьковского автозавода.

В рамках РобоКросс-2018 будут проведены следующие испытания:

Основные:

  • Испытания мобильных робототехнических систем беспилотные транспортные системы выполняют задание на специально оборудованной трассе полигона.

  • ADAS для роботизированных систем дополнительные испытания мобильных робототехнических систем с элементами моделирования реальных дорожных ситуаций.

  • Беспилотные летательные системы - 2018 испытания летающих робототехнических систем транспортировки и мониторинга.

  • "UNIOR RACE -2018" - соревнования беспилотных робототехнических транспортных средств на основе готовых решений-конструкторов (например "Юниор").

Пилотные:

- Городская маршрутка испытания на полигоне с имитацией условий городской инфраструктуры в рамках регламента ADAS для беспилотных транспортных средств.

Как и в прошлом году основной регламент будет расширен новыми заданиями по автоматизированным системам помощи водителю ADAS (Advanced driver assistance systems). Стратегия развития Горьковского автозавода предусматривает планы по оснащению транспортных средств системами активной помощи водителю с целью снижения рисков дорожно-транспортных происшествий, происходящих по вине человека.

В связи с этим важной задачей компании является подготовка кадров, имеющих компетенции в разработке, адаптации и практическом применении функций ADAS (предупреждение о выходе из полосы движения, экстренное автоматическое торможение перед внезапно возникшим препятствием, интеллектуальное ограничение скорости, предупреждение об опасности наезда, обнаружение и распознавание дорожных знаков, боковое видеонаблюдение мониторинг слепых зон, мониторинг усталости и состояния водителя, помощь в пробке и др.).

Отметим, что на данный момент многие участники программы Робототехника в прошлом, ныне работают на предприятиях Горьковского автозавода.

В ходе основных соревнований на специально подготовленном испытательном полигоне участники должны продемонстрировать способность транспортных средств самостоятельно, в полностью автоматическом или телеметрическом режимах выполнить комплекс упражнений на земле и в небе, руководствуясь информацией глобальной навигационной спутниковой системы ГЛОНАСС. Согласно заданию для команд будет смоделирована реальная ситуация, при которой беспилотный автомобиль в автономном режиме должен пройти трассу с препятствиями, выполнить развороты и другие маневры, в т. ч. и с использованием задней передачи. Летающие беспилотные платформы помимо демонстрации самостоятельного полета должны выполнить задание по доставке груза в определенную точку местности на основе заранее заданных координат-меток.

Также в этом году на площадке полигона также пройдут состязания Unior Race соревнования модульных конструкторов малых беспилотных робомобилей Юниор на специальном поле, которое моделирует городскую обстановку. Команды отработают все основные элементы программного обеспечения и технических решений, которые могут быть масштабированы на полноразмерные беспилотные автомобили. Беспилотные робомобили Юниор Стандарт (производитель Aurora Robotics) студенческие команды получили в качестве приза от Фонда Вольное Дело за победу в направлении AutoNet 18+ во время Всероссийского робототехнического фестиваля РобоФест-2017.

Судьями соревнований являются инженеры-конструкторы Группы ГАЗ. Все регламенты разработаны при активном участии объединенного инженерного центра Горьковского автозавода и ресурсного центра программы Робототехника. Большинство команд неоднократно принимали участие в РобоКроссе на автомобилях ГАЗель, подаренных "Горьковским автозаводом" самым активным участникам программы Робототехника.

Ссылки на публикациях в СМИ:
Подробнее..

Собака-робот за 1 миллион рублей (Unitree Robotics A1, обзор)

22.05.2021 22:20:06 | Автор: admin


Волею судеб пришлось прикоснуться к будущему. На ощупь оно оказалось вполне себе приятным. Хотя это тот случай, когда кусает не сама собака, а ее цена. Даже не знаю, что сказать Я бы лучше себе дачу купил в Подмосковье за такие деньги. Но как говорят, у богатых свои причуды. И, да, собака не моя.

Если вам лень читать и смотреть картинки, снял очень короткий ролик про робика-бобика от Unitree A1. Сразу предупреждаю, что при съемках ни одна собака не пострадала. Все трюки выполнены профессиональными каскадерами. Не пытайтесь их повторить.


Как любой театр начинается с вешалки, так и наша собака-робот А1 начинается с чемодана.



Надо сказать, кейс весьма удобный и внешне мало чем отличается от любого другого чемодана. Согласитесь, ждать того, что на вас начнут бросаться разгоряченные джигиты с целью отнять вашу бесценную поклажу с такой тележкой не приходится.

Кстати, если кто-то смотрел советский кинофильм Приключения Электроника, там главного героя, по совместительству робота, тоже перевозили в чемодане.



Внутри компактно расположены: робот, джойстик, зарядное устройство, пульт экстренного отключения, шлейфы для подключения к ПК. Кстати, стоит отметить, что внутри у собакена чистейший опенсорс.



В принципе А1 достаточно компактный для своих ТТХ: 62 см в длину, чуть больше 12 кг весом.



В него можно влезть с помощью православного USB 3.0, HDMI или Ethernet слотов.



Думаю, что наши ребята из Parallels смогут много чего туда пристроить.



Несмотря на габариты, штуковина достаточно простая в управлении и весьма шустрая. В спортивном режиме она двигается со скоростью 3 метра в секунду. Мягко говоря выглядит все это впечатляюще.



Голова у пёселя тоже весьма любопытная.



Благодаря ей робот может строить карты, снимать видео и картинку в инфракрасном спектре, в реальном времени, а еще в режиме слежения двигаться за выделенным объектом.



Штуковина поражает плавностью хода и подвижностью всех сочленений.



Моторчики работают относительно тихо, хотя туловище после 40 минут работы теплое на ощупь.



Производителям хочется выразить уважение, поскольку им удалось судя по всему впихнуть в это не очень большое существо массу электроники (фото ниже с официального сайта, сам бы внутрь я никогда не полез).



Батарейка в комплекте одна. Вторая стоит больше 100 000 рублей. Перевозить ее в самолетах нельзя. Тиранить и испытывать на прочность корпус тоже.



От нуля до полного заряда аккумулятор заряжается за час.



Джойстик можно зарядить минут за 30. Он тоже весьма добротно сделан. Хотя металлический корпус в черном окрасе, на мой взгляд без чехла, очень быстро обретет вид видавшего виды. Тот что на снимке я брал в руки 6 раз, а выглядит уже так, как будто бы им орехи кололи.



Из минусов устройства, я бы отметил:
  • цена (от 1,5 млн до 4,5 млн рублей в рознице);
  • отсутствие выключения робота одной кнопкой (нужно цепочку разных комбинаций запомнить, прежде чем рубильник у собачатины дергать);
  • непростой набор команд (комбинаций кнопок на джойстике) для переключения режимов работы робота;
  • скромная емкость батареи;
  • отсутствие достаточных защитных чехлов на корпусе (есть резиновые накладки, но их явно недостаточно), каждый раз, когда собачка отключается и шумно опускается на плитку, чувствуется холодок пониже спины, особенно, когда знаешь, сколько эта игрушка стоит;

Планы и перспективы


На самом деле, при всем моей первоначальном скепсисе, могу сказать, что описанное выше устройство уже сейчас может быть использовано в коммерческих целях. Например, сотрудники силовых структур с его помощью могут исследовать заминированные помещения. Охранные службы спокойно могли бы организовать ночное патрулирование территории и т.д.

В перспективе подобные роботы могут работать в доставке еды, товаров и прочих благ цивилизации. Одним словом, будущее наступило внезапно.
Подробнее..

Исследование методов SLAM для навигации мобильного робота внутри помещений. Опыт исследования R2 Robotics. (продолжение)

06.06.2021 12:22:20 | Автор: admin

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.

Рисунок 8 Модель робота в RVizРисунок 8 Модель робота в RViz

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.

Рисунок 9 Помещение для тестов картографированияРисунок 9 Помещение для тестов картографирования

4.1 Rtabmap

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

А)А)B)B)

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.

Рисунок 11 Сравнение отображаемых на картах объектов: красный стойки и высокие стулья, синий столы и кресла, желтый диваны и шкаф, зеленый стульяРисунок 11 Сравнение отображаемых на картах объектов: красный стойки и высокие стулья, синий столы и кресла, желтый диваны и шкаф, зеленый стулья

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).

Рисунок 12 Отображение данных с RGBD камеры в RVizРисунок 12 Отображение данных с RGBD камеры в RViz

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.

Рисунок 13 Объезд препятствия на карте, построенной по камере глубиныРисунок 13 Объезд препятствия на карте, построенной по камере глубиныРисунок 14 Объезд препятствия на карте, построенной по лидару (черный препятствие на карте, серый свободное пространство на карте, розовый препятствие на costmap obstacle layer, голубой inflation layer global costmap, красный и синий inflation layer local costmap)Рисунок 14 Объезд препятствия на карте, построенной по лидару (черный препятствие на карте, серый свободное пространство на карте, розовый препятствие на costmap obstacle layer, голубой inflation layer global costmap, красный и синий inflation layer local costmap)

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.

Рисунок 15 карта построенная по лидару при помощи а) Cartographer b) RtabmapРисунок 15 карта построенная по лидару при помощи а) Cartographer b) Rtabmap

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.

Рисунок 16 Визуализация Rviz карты Cartographer, построенной по лидаруРисунок 16 Визуализация Rviz карты Cartographer, построенной по лидару

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.

Рисунок 17 Cartographer карта 2-х помещений, построенная по лидаруРисунок 17 Cartographer карта 2-х помещений, построенная по лидару

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.

Подробнее..

Категории

Последние комментарии

  • Имя: Билал
    04.12.2024 | 19:28
  • Имя: Murshin
    13.06.2024 | 14:01
    Нейросеть-это мозг вселенной.Если к ней подключиться,то можно получить все знания,накопленные Вселенной,но этому препятствуют аннуннаки.Аннуннаки нас от неё отгородили,установив в головах барьер. Подр Подробнее..
  • Имя: Макс
    24.08.2022 | 11:28
    Я разраб в IT компании, работаю на арбитражную команду. Мы работаем с приламы и сайтами, при работе замечаются постоянные баны и лаги. Пацаны посоветовали сервис по анализу исходного кода,https://app Подробнее..
  • Имя: 9055410337
    20.08.2022 | 17:41
    поможем пишите в телеграм Подробнее..
  • Имя: sabbat
    17.08.2022 | 20:42
    Охренеть.. это просто шикарная статья, феноменально круто. Большое спасибо за разбор! Надеюсь как-нибудь с тобой связаться для обсуждений чего-либо) Подробнее..
  • Имя: Мария
    09.08.2022 | 14:44
    Добрый день. Если обладаете такой информацией, то подскажите, пожалуйста, где можно найти много-много материала по Yggdrasil и его уязвимостях для написания диплома? Благодарю. Подробнее..
© 2006-2024, personeltest.ru