Sonar-MASt3R: технология подводного картографирования от MIT

Подводные роботы сталкиваются с фундаментальной проблемой: во время работы на морском дне они поднимают облака осадка, которые делают бортовые камеры практически бесполезными и существенно затрудняют ориентацию робота в пространстве. Исследователи из Массачусетского технологического института (MIT) и Океанографического института Вудс-Хоул разработали метод Sonar-MASt3R, который объединяет визуальные данные оптических камер и акустические данные сонаров, позволяя создавать трёхмерные карты окружающей среды в реальном времени даже при высокой мутности воды.

Оптические камеры обеспечивают детальное изображение окружающего пространства, но эффективно работают исключительно в чистой и хорошо освещённой воде. Сонары сохраняют работоспособность в любых условиях, анализируя время возврата акустических сигналов и угол их отражения для определения расстояния, формы и контуров объектов, однако их карты лишены визуальных деталей. Новый метод объединяет преимущества обоих подходов, подобно сочетанию эхолокации дельфина и зрения морской черепахи.

В основе метода лежит алгоритм MASt3R, который анализирует визуальные изображения и в реальном времени восстанавливает относительную геометрию сцены, но не способен самостоятельно определить абсолютный масштаб пространства. Сонар устраняет эту неоднозначность, предоставляя данные о расстоянии до объектов, благодаря чему система получает корректный масштаб и строит точные трёхмерные карты.

Процесс построения карты происходит следующим образом. Сначала роботизированная рука с закреплёнными на ней камерой и сонаром выполняет сканирование окружающего пространства. Система создаёт грубую сонарную карту контуров и форм объектов, которая используется для навигации. После того как робот подходит достаточно близко к опредленной точке в пространстве, оптическая камера фиксирует объекты с высокой детализацией. Для оптимизации используется метод ключевого кадра, при котором каждый новый кадр сравнивается с предыдущим ключевым, и если он содержит новую информацию, то он добавляется в карту, а если дублирует уже известные данные, то система его игнорирует.

Испытания проводились в лабораторном резервуаре при восьми уровнях мутности. Внутри были размещены небольшой валун, кофейная кружка и упаковочный ящик. Даже когда оптические камеры не могли видеть сквозь плотную суспензию, сонарные сенсоры формировали грубую карту скрытых объектов, позволяя роботизированной руке безопасно приближаться к целям для последующей детальной съёмки.

Авторы отмечают, что лабораторный резервуар работает как эхо-камера, создавая ложные отражения и искажения, которые усложняют обработку данных. В естественной подводной среде таких помех меньше, поэтому система будет работать надёжнее. В перспективе технология может применяться для научных исследований, подводного строительства, инспекции инфраструктуры, поисково-спасательных операций и обезвреживания опасных объектов на морском дне.

Полная научная статья доступна на arXiv.

Наш канал в Max

Обновленная подборка Telegram-каналов по робототехнике.

Сейчас наше объединение насчитывает уже 47 каналов.   Ссылка на папку. 

P.S При желании принять участие в подобном виде сотрудничества обращаться к @tati79933333078

Qwen-Robot Suite: пакет ИИ-моделей, переводящий естественный язык в физическое действие

16 июня 2026 года Qwen представила Qwen-Robot Suite — набор из трёх фундаментальных ИИ-моделей, который решает главную проблему воплощённого ИИ (Embodied AI) - разрыв между пониманием физического мира и действием в нём.

Фреймворк Qwen-RobotClaw позволяет мультимодальной модели Qwen VLM выступать в роли верхнеуровневого планировщика: она разбивает сложные абстрактные задачи на последовательность шагов, вызывает модели Qwen-Robot Suite для выполнения физических действий и управляет контекстом длительных операций.

Qwen-Robot Suite включает три специализированные ИИ-модели:

•Qwen-RobotNav отвечает за навигацию и объединяет пять классов задач: следование инструкциям, навигацию по точкам, навигацию по целям, отслеживание объектов и автономное вождение. Модель обучена на 15,6 миллиона образцов. На робособаке Unitree Go2 с единственной базовой RGB-камерой модель продемонстрировала сквозную задержку 196 миллисекунд (приблизительно 5,1 Гц) и успешно ориентировалась в незнакомой квартире без предварительного построения карты. Ключевые результаты: 76,5% успеха в VLN-CE RxR и 75,6% в HM3Dv2.

•Qwen-RobotManip решает проблему морфологического разнообразия роботов. Движения различных конфигураций устройств проецируются в единую систему координат камеры, что делает их совместимыми на уровне представления и позволяет обучать модель на данных с различных платформ. Модель обучена на 38 100 часах данных из открытых источников. Ключевая инновация — автоматическая конвертация 1 933 часов обычных видеозаписей с действиями людей в 24 808 часов демонстрационных данных для 15 различных типов роботов. Конвейер обеспечивает это за счёт переназначения движений, удаления рук и дорисовки фона, симуляционного рендеринга и глубинного наложения изображений, а также многоэтапного процесса фильтрации данных для обеспечения их высокого качества.

•Qwen-RobotWorld представляет собой диффузионную нейросеть, которая предсказывает физическое будущее. По текущему кадру и текстовой команде она генерирует видео того, что произойдёт при совершении действия. Это позволяет роботу предсказывать и оценивать свои движения до физического выполнения, что снижает риск повреждения оборудования. Модель обучена на 8,6 миллиона пар видео-текст для более чем 20 типов роботизированных платформ.

Главным достижением Qwen-Robot Suite является не сама архитектура моделей, а новый подход к обучению роботов. Возможность преобразовывать обычные видеозаписи действий человека в роботизированные траектории (1 933 часа в 24 808 часов) открывает доступ к практически неограниченному массиву данных для обучения воплощённого ИИ. Именно дефицит качественных данных сегодня считается одним из ключевых барьеров на пути создания по-настоящему универсальных роботов и Alibaba предложила собственное авторское решение данной проблемы.

Источник: Qwen

В Санкт-Петербурге подошел к концу Международный чемпионат Digital Skills 2026.

С 17 по 19 июня в Санкт-Петербурге прошёл Международный чемпионат профессионального мастерства Digital Skills 2026. Соревнования собрали студентов из вузов и колледжей России и Казахстана на площадке Конгресс-центра ПетроКонгресс в рамках форума «Инженерное собрание России». Организаторами выступили некоммерческая ассоциация «Кластер Креономика» и Институт Инновационных Технологий в Бизнесе (ИИТБ).

Участники соревновались по пяти компетенциям: цифровое производство, аддитивное производство, бережливое производство, промышленная робототехника и роботизированная сварка, направление, которое было реализовано на чемпионате впервые.

За три дня студенты проявили свои навыки в создании цифровых двойников, офлайн-программировании промышленных роботов, в том числе сварочных, оптимизации производственных процессов и разработке устройств с помощью 3D-печати. Все задачи были максимально приближены к реальным производственным сценариям.

Следующим масштабным соревновательным мероприятием Industry Skills станет Международный чемпионат TechSkills, который пройдёт в рамках Международной выставки испытательного и контрольно-измерительного оборудования «Testing&Control» 19–21 октября в МВЦ «Крокус Экспо» в Москве.

Подробнее с предстоящими соревнованиями для инженеров-специалистов промышленных предприятий, а также студентов вузов и колледжей можно ознакомиться в официальном канале Industry Skills.

OFG: миниатюрный светоуправляемый роботизированный захват для микроманипуляций

Уже более 35 лет исследователи используют оптические пинцеты — технологию, позволяющую работать с микроскопическими объектами путем использования сфокусированного лазерного луча. Однако подобные системы способны развивать силы лишь порядка пиконьютонов, чего достаточно только для манипулирования очень маленькими и правильными по форме объектами. Исследователи из Университета науки и технологий Китая предложили альтернативный подход — Optical Fiber Gripper (OFG), который представляет собой миниатюрный светоуправляемый роботизированный захват, полностью размещённый на торце стандартного оптического волокна.

В основу OFG положена биоинспирированная конструкция, напоминающая строение живого организма. Оптическое волокно выполняет роль нерва, передавая световой сигнал, термочувствительный гидрогель служит искусственной мышцей, а жёсткий полимерный каркас (фоторезист) — скелетом, на котором закреплен трехпальцевый захват.

Работа устройства основана на фототермическом эффекте. В состав гидрогеля PNIPAM (poly(N-isopropylacrylamide)) встроены серебряные наночастицы. Сам по себе гидрогель представляет собой полимерную сетку, способную удерживать большое количество воды между своими молекулярными цепями. При комнатной температуре материал находится в «набухшем» состоянии, поскольку его структура активно связывает молекулы воды.

Когда по оптическому волокну проходит лазерный луч ближнего инфракрасного диапазона (808 нм), серебряные наночастицы начинают интенсивно поглощать световую энергию. На физическом уровне это сопровождается возбуждением коллективных колебаний свободных электронов в наночастицах (локализованный поверхностный плазмонный резонанс). По мере затухания этих колебаний поглощённая энергия преобразуется в тепло, быстро нагревая окружающий гидрогель.

Ключевую роль играет то, что PNIPAM обладает нижней критической температурой растворения (LCST) около 32 °C. Пока температура ниже этого значения, гидрогель гидрофилен и удерживает воду внутри своей структуры. Однако после нагрева выше 32°С молекулярные связи с водой разрушаются: гидрогель становится гидрофобным, вода быстро выходит из его полимерной сетки, а объём материала резко уменьшается. Именно это сокращение искусственной мышцы приводит к перемещению жёстких элементов конструкции, а впоследствии заставляет трёхпальцевый механизм раскрываться.

После отключения лазера серебряные наночастицы перестают нагреваться, гидрогель охлаждается ниже температуры фазового перехода, вновь начинает активно поглощать воду из окружающей среды и возвращается к первоначальному объёму. При расширении гидрогеля трехпальцевый захват снова смыкается, надёжно удерживая объект. Таким образом, единственным управляющим сигналом является свет, передаваемый по обычному оптическому волокну.

Сам OFG изготавливается непосредственно на торце коммерческого оптического волокна методом двухфотонной полимеризации — разновидностью сверхточной 3D-печати. Габариты устройства составляют всего 38 × 38 × 61 мкм, что примерно в двадцать раз меньше диаметра стандартных биопсийных щипцов. Несмотря на столь миниатюрные размеры, микрозахват развивает усилие до 4,9 мкН, обладает рекордным отношением силы к массе 340 мкН/мг, а его время отклика составляет 76,7 мс, позволяя устройству выполнять до пяти циклов захвата в секунду.

В ходе экспериментов устройство успешно манипулировало непрозрачными частицами сложной формы, выполняло сборку миниатюрных механических узлов с микрометровой точностью, переносило отдельные клетки человека практически без их повреждения, а также работало внутри стеклянных капилляров диаметром 300 мкм.

Благодаря высокой силе захвата OFG способен работать с объектами, недоступными классическим оптическим пинцетам. По мнению исследователей, миниатюрные светоуправляемые захваты могут найти применение в одноклеточной биологии, малоинвазивной хирургии, высокоточной биопсии, тканевой инженерии, сборке микромеханических устройств и роботизированных эндоскопических систем.

Полная научная статья доступна на Nature.

WAIC 2026: бизнес-миссия в Шанхай

РобоДжобс организует бизнес-миссию на World Artificial Intelligence Conference — одно из главных мировых событий по ИИ и робототехнике. Поездка состоится с 12 по 19 июля.

В программе: посещение WAIC и 12 технологических компаний Шанхая и Нанкина, включая Agibot, Fourier, DroidUp, Flexiv, ESTUN, MechMind Robotics, IO Intelligence, Galaxis, Seer, Skywell и IITM.

Заявки принимаются до 30 июня. Подробнее на сайте РобоДжобс.

Ozon Tech проведет хакатон по робототехнике «Робозон»

Ozon Tech запускает «Робозон» — хакатон по автоматизации и роботизации сортировочных процессов для инженеров и разработчиков. Мероприятие пройдёт в два этапа: онлайн с 2 июля по 12 сентября и офлайн‑финал на конференции E‑CODE. Дорога и проживание за счёт Ozon Tech. Призовой фонд — 15 000 000 рублей.

Участникам будут предложены три задачи на основе реальных данных сортировочных центров:

Трек 1. Имитационное моделирование сортировочного центра

Участникам предстоит разработать имитационную модель работы сортировочного центра. Модель должна отражать ключевые процессы и анализировать возможности повышения эффективности производства за счёт более эффективной организации и автоматизации процессов.

Трек 2. Конструкция автоматизированного сортировщика товаров

В этом треке необходимо предложить инженерно проработанную конструкцию автоматизированного сортировщика или модульной системы сортировки.  В проектном решении необходимо раскрыть принципы работы системы, логику распределения товаров и обосновать целесообразность применения проектного решения в реальных производственных процессах.

Трек 3. Интеллектуальная роботизированная система сортировки

Задача трека — спроектировать систему автоматической сортировки товаров на конвейерной линии. Решение может быть представлено в виде программно-аппаратного комплекса или цифровой симуляции. Система должна обнаруживать объекты, идентифицировать их тип с помощью компьютерного зрения и автоматически перемещать товары в соответствующие зоны сортировки.

Участвовать можно как индивидуально, так и в команде. Регистрация открыта до 11 июля.

Детальная информация и регистрация — на сайте хакатона.

В России профинансируют создание 13 центров промышленной робототехники.

В ходе деловой программы XVI Международной промышленной выставки «Иннопром», проходящей в этом году в Екатеринбурге с 6 по 9 июля, Валерий Пивень, директор департамента станкостроения и тяжелого машиностроения Министерства промышленности и торговли РФ, заявил, что до конца 2026 года в российских регионах будет профинансировано создание 13 центров промышленной робототехники. Это позволит довести их общее число в стране до 20 единиц. Ожидается, что в 2027 году их количество возрастёт ещё на 10 центров.

«Центры развития промышленной робототехники — это один из основных механизмов поддержки регионов. Механизм позволит на местах привлечь больше сторонников роботизации», — отметил Валерий Пивень. Первый федеральный центр развития промышленной робототехники открылся в 2024 году на базе Университета Иннополис в Татарстане и стал головным центром в рамках национального проекта «Средства производства и автоматизации». В будущем он должен координировать работу создаваемых центров-спутников.

Всего на меры поддержки развития робототехники в стране до конца года выделят 10 миллиардов рублей, в 2027 году на эти цели направят ещё 11 миллиардов, а в 2028 — дополнительные 23 миллиарда рублей. Бюджет может корректироваться и быть увеличен в случае наличия потребности у отрасли.

Источник: ТАСС

Японские исследователи создали роботизированную кисть, способную переключаться между несколькими захватными модулями с помощью одного двигателя.

Современная робототехника сталкивается с проблемой универсального захвата - объекты различной формы и размеров требуют применения разных типов захватных механизмов, однако установка отдельного двигателя для каждого захвата усложняет конструкцию, увеличивает массу и требует сложных систем управления. Инженеры из Канадзавского университета предложили решение этой проблемы, представив роботизированную кисть с несколькими захватными модулями, управляемыми одним двигателем. Вместо независимых приводов для каждого механизма они разработали систему MaGDri (Magnetic and Gravity-based Driving), которая автоматически переключает передачу крутящего момента между захватными механизмами с помощью магнитных муфт и поворота подвижного основания под действием силы тяжести.

В основе конструкции находится двигатель, установленный на подвижном основании, способном свободно поворачиваться относительно корпуса кисти. На валу двигателя и приводных валах каждого захватного модуля размещены магнитные муфты в виде дисковых элементов с чередующимся расположением северных и южных полюсов. При совмещении муфт магнитное взаимодействие обеспечивает бесконтактную передачу крутящего момента: двигатель приводит в движение только определенный захват, тогда как остальные модули остаются неподвижными.

Механизм MaGDri работает в двух состояниях — передачи момента и переключения. В рабочем режиме двигатель приводит в движение выбранный захват, выполняя сжатие или раскрытие пальцев. Магнитное взаимодействие между муфтами удерживает соединение и предотвращает случайное переключение. Когда захват достигает конечного положения или удерживает объект, дальнейшее вращение двигателя вызывает рост противодействующего момента и относительное угловое смещение магнитных элементов. При увеличении смещения передаваемый момент сначала достигает максимума, а затем снижается, что приводит к магнитному расцеплению.

После расцепления подвижное основание с двигателем освобождается и поворачивается под действием силы тяжести до положения, в котором магнитная муфта двигателя совмещается с муфтой другого захватного модуля. После повторного соединения двигатель начинает передавать крутящий момент новому захвату. Таким образом, переключение между механизмами выполняется автоматически без дополнительных приводов.

Каждый захватный модуль оснащён червячной передачей с эффектом самоблокировки. Она позволяет двигателю вращать выходной механизм, но не допускает обратного проворачивания под нагрузкой. Благодаря этому после переключения двигателя ранее активированный захват сохраняет своё положение и продолжает удерживать объект.

Исследователи разработали два прототипа: первый включал двухпальцевый и трёхпальцевый захваты, а второй состоял из пяти независимых двухпальцевых модулей. Эксперименты подтвердили возможность переключения между захватами во время операций захвата и отпускания. Робот успешно работал с объектами различной формы, включая прямоугольные и цилиндрические предметы, выбирая подходящий для этой задачи механизм.

Для оценки универсальности разработки были проведены успешные испытания с 12 объектами различной формы, включая предметы из набора YCB, используемого для тестирования роботизированных систем. Среднее время переключения составило 0,41 секунды, сила захвата достигла 20,5 Н для двухпальцевого модуля и 12,2 Н для трёхпальцевого. После 1000 циклов переключения заметных признаков износа обнаружено не было.

Главным ограничением текущей реализации является зависимость переключения от ориентации роботизированной кисти. Для перехода к другому захвату целевой модуль должен находиться в положении, при котором подвижное основание с двигателем может повернуться под действием силы тяжести. В дальнейшем авторы планируют увеличить количество захватных модулей, провести испытания системы в промышленных задачах pick-and-place и интегрировать полностью автономное управление.

Полная научная статья доступна на IEEE Xplore.

НАУРР и Хабр создают реестр интеграторов в сфере промышленной робототехники.

Национальная ассоциация участников рынка робототехники совместно с Хабром запускают проект по созданию единого отраслевого реестра интеграторов в сфере промышленной роботизации, который станет инструментом навигации по рынку и позволит систематизировать информацию о компаниях, работающих в сфере промышленной робототехники.

При поддержке НАУРР разработана единая анкета для интеграторов и производителей робототехнических решений. На основе полученных данных будет сформировн реестр, в который войдет информация о компетенциях компаний, реализованных проектах, отраслевой специализации, применяемых технологиях, опыте внедрения робототехнических комплексов и инженерной экспертизе.

Компании будут классифицированы по ключевым компетенциям: отраслевая специализация, применяемые робототехнические платформы, программное обеспечение и успешный опыт интеграции в действующие производственные цепочки.

Параллельно Национальная ассоциация участников рынка робототехники (НАУРР) формирует механизм независимой оценки квалификации участников реестра. В перспективе к этой процедуре планируется привлекать и самих заказчиков — это повысит объективность рейтинга и превратит реестр в действенный рыночный инструмент.

Собранные данные лягут в основу отраслевой аналитики и послужат фундаментом для новых программ поддержки промышленной роботизации в России.

К участию приглашаются интеграторы промышленных роботов, производители робототехнических решений и компании, реализующие проекты по промышленной автоматизации и роботизации.

Для включения в реестр необходимо заполнить анкету. Прием заявок открыт до 10 августа 2026 года.

Подробнее

WRC 2026: бизнес-миссия в Пекин

РобоДжобс организует бизнес-миссию на World Robot Conference — ключевое мировое событие в области робототехники. Поездка состоится с 16 по 23 августа.

В программе: посещение WRC и 15 ведущих технологических компаний Пекина, включая Realman, Robotera, Phybot, Booster Robotics, Galbot, Casbot, X Humanoid Robots, NOETIX, Yunji, WeRide, JD Logistics и других разработчиков гуманоидных роботов и систем embodied AI.

Заявки принимаются до 31 июля. Подробнее на сайте РобоДжобс.

BrainCo представила платформу с поддержкой ИИ для управления роботами с помощью силы мысли

На Всемирной конференции по искусственному интеллекту WAIC 2026 в Шанхае китайская компания BrainCo, разработчик неинвазивных интерфейсов «мозг-компьютер» (BCI), представила платформу, которая позволяет управлять роботами исключительно силой мысли.

Технология работает в три этапа: пользователь надевает ЭЭГ-гарнитуру, которая регистрирует электрическую активность головного мозга. Алгоритмы искусственного интеллекта декодируют эти сигналы для определения двигательных или управляющих намерений, а затем преобразуют их в команды для робота. Полный цикл обработки сигнала, от возникновения мысли до исполнения команды, занимает менее 200 миллисекунд.

Платформа совместима с серийными роботами разных типов — от гуманоидов до промышленных манипуляторов и роботов-собак. При этом настройка системы под конкретного пользователя, по заявлению разработчиков, не требует специальной подготовки в области нейроинтерфейсов и занимает около десяти минут.

Помимо системы управления, BrainCo представила решение для одной из ключевых проблем современной робототехники — дефицита качественных данных для обучения воплощённого искусственного интеллекта. Разработанная компанией система сбора данных, включающая перчатку с сенсорными датчиками и роботизированную руку с 21 степенью свободы, синхронно записывает двигательную активность оператора и соответствующие сигналы, поступающие от его мозга. Это позволяет создавать более качественные наборы данных для обучения роботов сложным операциям.

Основные принципы работы нейроинтерфейсов и перспективы их применения в робототехнике — в шестом выпуске CSI Journal.

Robostral Navigate: модель для автономной навигации роботов с помощью одной RGB-камеры

Французский стартап в области искусственного интеллекта Mistral AI представил Robostral Navigate - первую модель компании для автономной навигации роботов. Система принимает на вход изображение с монокулярной RGB-камеры и инструкцию на естественном языке, после чего обеспечивает перемещение робота в заданную точку пространства.

В основе функционирования Robostral Navigate лежит визуально-языковая модель с 8 миллиардами параметров, разработанная внутри компании. Навигация реализована через механизм указания (pointing). Модель не вычисляет траекторию в абсолютных величинах, а определяет на текущем изображении координаты целевой точки и задаёт желаемую ориентацию робота в момент прибытия. Такой подход, оперирующий в визуальном пространстве, обеспечивает устойчивость системы к изменению параметров камеры и масштаба сцены. Если целевая точка не попадает в поле зрения камеры, то модель переключается на команды смещения и поворота в локальной системе координат робота.

Архитектура Robostral Navigate разделяет семантическое планирование и низкоуровневое управление. Первый уровень — визуально-языковая модель с 8 млрд параметров, которая отвечает за понимание инструкции, анализ сцены и выбор промежуточных целей. Она работает с частотой около 2 Гц, предсказывая целевую точку в координатах текущего кадра или, при её отсутствии, выдавая команды смещения в локальной системе координат робота.

Второй уровень — диффузионная модель со 121 млн параметров и контроллер. Модель преобразует выбранную VLM цель в конкретную траекторию, генерируя последовательность из 30 команд на ближайшую секунду с частотой 10 Гц. Эти команды задают относительные смещения, например, «проехать 0,5 метра вперёд и повернуть на 5 градусов». Контроллер, адаптированный под конкретную платформу, транслирует траекторию в высокочастотные сигналы для моторов (100 Гц). Такое разделение позволяет использовать одну и ту же модель на разных типах роботов — достаточно заменить только контроллер.

Обучение Robostral Navigate проводилось в симуляции. Для этого Mistral подготовила около 2.4 миллиона траекторий в 350 тысячах виртуальных сцен, включающих офисные, жилые и коммерческие помещения, многоэтажные маршруты и открытые пространства.

С целью достижения универсальности в процессе генерации данных варьировались размеры робота, высота и наклон камеры, уровень освещения, архитектура помещений и плотность объектов. В итоге модель работает на колесных, шагающих и даже летающих роботах без перенастройки.

После первичного обучения модель была доработана с использованием алгоритма обучения с подкреплением CISPO. Для этого была сформирована выборка из 35 тыс. сложных заданий, на которых исходная версия демонстрировала систематические ошибки.

В тесте R2R-CE итоговая версия модели успешно завершила 77,4% маршрутов в неизвестных сценах, что превосходит предыдущий лучший результат для систем с одной камерой (66,9%) и для систем с несколькими камерами или датчиком глубины (72,1%). В более сложном тесте RxR-CE показатель составил 75,1% против 73,4% у лучшей однокамерной системы. В знакомых сценах успешность возрастает до 79,4%.

Полная версия научной статьи доступна на arXiv.

Наш канал в Мах

Google DeepMind представила Gemini Robotics 2 — семейство моделей для управления роботами.

Google DeepMind представила новое поколение моделей для управления роботами - Gemini Robotics 2, которое позиционируется как универсальная интеллектуальная система, которую можно адаптировать под различные робототехнические платформы — от двуруких манипуляторов до человекоподобных роботов.

Семейство объединяет три специализированные модели, отвечающие за непосредственное управление роботом, высокоуровневое рассуждение и локальную работу на самом устройстве:

• Gemini Robotics 2 — основная VLA-модель, преобразующая визуальную информацию и текстовые инструкции в управляющие команды для робота. В новой версии система получила возможность координировать работу всего тела гуманоидного робота. Модель была испытана на платформах Apptronik Apollo 2 и Franka Duo. На Apollo 2 она координировала перемещение робота для выполнения задач, требующих одновременной ходьбы, наклонов и выполнения различного рода манипуляций. Модель также получила более развитые навыки работы с антропоморфными пятипалыми кистями (до 22 степеней свободы), включая завязывание узлов и закрытие зип-пакетов.

• Gemini Robotics ER 2 — модель воплощённого рассуждения (embodied reasoning), выполняющая функции высокоуровневого «мозга». Она анализирует пространственную среду через непрерывный видеопоток, разбивает сложные задачи на последовательность действий и отслеживает их выполнение. ER 2 не управляет приводами напрямую, а передаёт подзадачи VLA-модели. Это позволяет выполнять многошаговые сценарии длительностью в несколько минут и восстанавливаться после ошибок. Модель также поддерживает координацию работы группы роботов для совместного выполнения задач.

• Gemini Robotics On-Device 2 — локальная VLA-модель для автономной работы робота без постоянного подключения к облаку. Локальное выполнение минимизирует задержки и зависимость от сети, при этом модель способна адаптироваться к работе на новых типах манипуляторов за несколько часов с использованием менее 200 демонстрационных примеров. Работу системы уже протестировали на платформах Dexmate, SO101 и Trossen.

Демонстрации показывают прогресс в повышении ловкости устройств, работающих на новой версии модели. При этом разработчики признают, что показатели успешности и скорость выполнения операций пока сильно зависят от сложности задачи и требуют дальнейшей оптимизации. Так, согласно официальным данным Google DeepMind, успешность выполнения задач варьируется от 32% (сборка с совком) до 92% (выкручивание лампочки).

Gemini Robotics ER 2 уже доступна разработчикам через Google AI Studio и Gemini API. Исполнительные VLA-модели (Robotics 2 и On-Device 2) пока предоставляются ограниченному кругу партнёров, среди которых Apptronik, Boston Dynamics и Agile Robots.

Источник: Google Deepmind

Unitree Robotics выходит на IPO

Китайская компания Unitree Robotics, один из крупнейших в мире производителей гуманоидных роботов, планирует провести IPO на технологическом рынке STAR Шанхайской фондовой биржи (SSE).

По данным Bloomberg, в ходе первичного размещения акций компания планирует привлечь около 6.1 млрд юаней (около $900 млн.). Это сделает Unitree Robotics первой публично-торгуемой компанией — производителем гуманоидных роботов на материковом Китае.

Согласно заявлению, поданному на Шанхайскую биржу, компания планирует разместить акции по цене 150.8 юаня ($22,21) за бумагу. В ходе IPO Unitree Robotics планирует разместить 40.4 млн акций, или 10% увеличенного акционерного капитала компании.

Согласно документам, поданным в четверг, китайская AI-компания DeepSeek входит в число стратегических инвесторов IPO Unitree. Компания приобрела акции Unitree на сумму около 140.8 млн юаней ($20.8 млн.). Среди стратегических инвесторов также — Tencent, CNPC, China Southern Power Grid, China Telecom, CITIC Securities и Фонд социального страхования КНР.

Согласно первоначальному плану IPO, около 4.2 млрд юаней будет направлено на разработку моделей воплощенного ИИ для роботов, исследования человекоподобных роботов, программы по выпуску новых продуктов и проекты по расширению производства.

Согласно проспекту эмиссии, выручка Unitree Robotics в 2025 году выросла до 1.7 млрд юаней с 393 млн юаней годом ранее. Чистая прибыль компании в прошлом году составила 278 млн юаней, а рентабельность по валовой прибыли превысила 60%.

Основатель и глава Unitree Robotics Ван Синсин останется руководителем компании после размещения акций на бирже. Ожидается, что после IPO Ван Синсин и подконтрольные ему структуры будут владеть примерно 31,29% акций.

Напомним, что Unitree Robotics стала одним из мировых лидеров по поставкам гуманоидных роботов в 2025 году. По данным самой компании, за год она продала и поставила конечным заказчикам более 5 500 единиц гуманоидных роботов, что в разы превышает показатели, например, Tesla, Figure AI и Agility Robotics. Конкурентом Unitree по этому показателю является китайская AgiBot, показавшая сопоставимые результаты.

Наш канал в МАХ