Автономный робот

Первым требованием для полной физической автономии является способность робота заботиться о себе. Многие современные роботы, работающие на аккумуляторах, способны находить и подключаться к зарядным станциям, а некоторые игрушки, такие как Aibo от Sony, умеют автоматически стыковаться для подзарядки своих батарей.

Способность к самообслуживанию опирается на «проприоцепцию» — чувствование собственного внутреннего состояния. В случае с зарядкой аккумулятора робот чувствует, что заряд батареи на исходе, и ищет зарядную станцию. Другой распространённый проприоцептивный датчик — для контроля температуры. Для автономной работы вблизи людей и в сложных условиях потребуется высокая степень проприоцепции. К типичным проприоцептивным датчикам относятся тепловые, оптические, тактильные, а также эффект Холла.

Экстероцепция — это способность воспринимать характеристики внешней среды. Автономные роботы должны иметь разнообразные внешние сенсоры для выполнения своих задач и избежания опасных ситуаций. Автономный робот способен выявлять отказы датчиков и минимизировать их влияние на общую работоспособность^[3].

К распространённым экстероцептивным датчикам относятся элементы для измерения характеристик по электромагнитному спектру, звуку, прикосновению, химическим веществам (запах), температуре, расстоянии до различных объектов и высоте.

Некоторые роботизированные газонокосилки адаптируют свою программу, анализируя скорость роста травы, чтобы поддерживать идеальный уровень среза, а у некоторых пылесосов имеются датчики загрязнения, которые определяют количество собранной пыли и заставляют задерживаться на более загрязнённых участках.

Для обработки плотных потоков экстероцептивных данных (с камер, лидаров и других сенсоров) в реальном времени применяются технологии периферийных вычислений (Edge AI). Использование специализированных вычислительных платформ, таких как архитектура NVIDIA Thor, позволяет автономным роботам анализировать информацию непосредственно на борту. Это полностью исключает задержки, связанные с облачными вычислениями, и обеспечивает мгновенную реакцию на изменения в физическом окружении^[4][5].

Следующий уровень автономного поведения — выполнение физической задачи. Перспективное направление коммерческого применения — бытовые роботы: начиная с 2002 года, рынок наполнился малыми роботами-пылесосами компаний iRobot и Electrolux. Хотя их уровень интеллекта невысок, они способны перемещаться по большим площадям и маневрировать в ограниченных пространствах, используя контактные и бесконтактные датчики. Оба этих робота применяют фирменные алгоритмы покрытия поверхности, более эффективные, чем простое случайное движение.

Более сложные задачи предполагают выполнение роботом условных операций. Например, охранные роботы могут быть запрограммированы на обнаружение нарушителей и реагировать по-разному в зависимости от местоположения нарушителя. Так, Amazon в сентябре 2021 года представила Astro — робота для домашнего мониторинга, охраны и ухода за пожилыми^[6].

Коммерческие решения для автономной манипуляции сложными объектами (одеждой, посудой, хрупкими предметами) в быту пока отсутствуют и находятся на стадии прототипов. Применение мягких захватов и тактильной обратной связи в потребительских моделях требует удешевления и доработки для безопасного взаимодействия с деформируемыми материалами^[7].

Для того чтобы робот мог связывать поведение с определённым местом (локализация), ему необходимо определять свою позицию и автономно перемещаться между точками. Навигация начиналась с проводного наведения в 1970-х и к 2000-м перешла к маячной триангуляции. Современные серийные роботы ориентируются по естественным объектам среды. Одними из первых таких коммерческих устройств стали роботы HelpMate (Pyxus) и CyberMotion, созданные в 1980-х годах. Они использовали вручную созданные кад-планы помещений, ультразвуковые датчики и алгоритмы следования за стеной. С появлением PatrolBot и автономной коляски компании MobileRobots (оба — 2004 г.) появились возможности строить карты на основе лазерных датчиков и перемещаться не только по коридорам, но и по открытым пространствам. Система управления меняет маршрут «на лету» при появлении препятствий.

Поначалу автономная навигация базировалась на плоских сенсорах (например, лазерных дальномерах), фиксирующих только один уровень. Наиболее продвинутые системы совмещают данные от различных датчиков для локализации и навигации. Например, платформа Motivity способна переключаться между источниками данных, выбирая наиболее надёжный, а также самостоятельно перестраивать карту.

Вместо подъёма по лестницам (что требует сложной аппаратуры) большинство роботов внутри помещений используют просторные зоны, оборудованные лифтами и электронными дверями. С помощью таких интерфейсов контроля доступа роботы могут свободно перемещаться внутри зданий. Автоматический подъём по лестницам и ручное открытие дверей — задачи, остающиеся предметом исследований.

С развитием этих методов роботы-пылесосы смогут убирать по запросу только в отдельных комнатах или на всём этаже, а охранные роботы — совместно окружать нарушителей. Такие усовершенствования обычно сопровождаются ограничениями: во внутренние карты вносятся «запретные зоны», в которые робот не может въехать самостоятельно.

Вне помещений автономия проще всего достигается в воздухе за счёт малого числа препятствий. Кросс-ракеты — пример весьма опасных автономных летательных аппаратов. Беспилотные летательные аппараты (БПЛА) всё чаще применяются для разведки, причём некоторые способны выполнить всю миссию без человеческого вмешательства, за исключением, возможно, посадки. Некоторые дроны могут выполнять безопасную автоматическую посадку. Компания SpaceX эксплуатирует несколько автономных морских платформ для возвращения ракет Falcon 9 на воду^[8]. Некоторые страны, например Индия, начали разрабатывать доставку еды и других товаров с помощью дронов^[9].

Наибольшая сложность для автономности наземных транспортных средств связана с:

• Трёхмерным рельефом
• Значительным различием плотности поверхностей
• Метеоусловиями
• Нестабильностью распознаваемой среды

Существуют задачи, характерные именно для автономной робототехники, а не для общей искусственной интеллектуальной деятельности. По Дж. А. Беки (Autonomous Robots: From Biological Inspiration to Implementation and Control), среди них — обеспечение способности робота функционировать правильно и избегать столкновений с препятствиями. Для управления и планирования навигации автономных роботов, особенно в группах, применяется обучение с подкреплением^[10].

Энергетическая автономность и поиск ресурсов

Исследователи, занимающиеся проблемой искусственной жизни, интересуются не только интеллектуальным управлением, но и способностью робота самостоятельно находить ресурсы через фуражировку (поиск пищи, что включает в себя энергию и запасные части). Это — предмет междисциплинарных исследований в бихевиористике, социальной антропологии, робототехнике и искусственной жизни.

Системная надёжность и хрупкость в реальных условиях

Автономные роботы остаются очень уязвимыми к неожиданным изменениям окружающей среды. Даже такие мелочи, как внезапный луч света, сбивающий систему зрения, или неровность поверхности, способны привести к отказу всей системы^[11]. Такая хрупкость — следствие системной природы робототехники: неполадка в любом модуле (восприятие, планирование, исполнительные устройства) грозит полным выходом из строя.

Понимание окружающей сцены в открытом мире

Большинство роботов полагаются на данные, собранные в контролируемых условиях, их способность обобщать модели для непредсказуемых, динамических жизненных ситуаций весьма ограничена. Проблему составляют незнакомые предметы, частичные закрытия, различие масштабов и быстрая смена обстановки. Разработка самообучающихся, адаптируемых систем для «открытых миров» остаётся актуальной задачей.

Координация мультиагентных систем и децентрализация

Масштабирование робототехнических систем создает проблемы координации, безопасности и связи. В навигации нескольких агентов важны задачи предотвращения тупиков, «эгоистичного» поведения и неэффективного отбора примеров. Совмещённые подходы, включающие разбиение задач, обучение с подкреплением и подражанием, а также гибридные централизовано-децентрализованные схемы (например, обучение приоритетной коммуникации, attention-механизмы и графовые трансформеры) показали перспективность, но крупномасштабная, устойчивая координация в реальном времени всё ещё не решена^[12].

Преодоление разрыва моделирования («reality gap»)

Глубокое обучение с подкреплением активно применяется для обучения навигации и управления роботами, однако обучение в симуляции имеет существенные различия с реальной средой, что препятствует надёжному внедрению («разрыв реальности»). Методы сглаживания этих отличий пока не обеспечивают стабильного результата^[13].

Физические ограничения и биогибридные системы

Ограничения батарей, моторов, сенсоров и приводов ограничивают автономность, запас хода и адаптацию роботов, особенно для человекоподобных или био-гибридных моделей. Биогибридные системы (например, с органической мышечной тканью) обещают использовать биологические источники энергии и движения, но создают новые вопросы интеграции и управления^[14][15].

Этика, ответственность и интеграция в общество

С ростом автономии роботов, особенно при участии в публичных или коллективных задачах, возрастает значение этических и юридических аспектов. Вопросы ответственности, прозрачности, предвзятости и безопасности остаются открытыми и пока не имеют всеобъемлющей правовой базы.

Воплощённый искусственный интеллект и промышленное внедрение

Несмотря на успехи ИИ-алгоритмов, физическая интеграция (embodied AI) в оборудование и массовое применение продвигаются медленно из-за аппаратных и экономических ограничений. Человекоподобные роботы, такие как «Pepper (робот)», остались нишевыми устройствами из-за сложности и стоимости^[15][16].

Первые автономные роботы — Элмер и Элси, построенные в конце 1940-х У. Греем Уолтером. Это были первые роботы, программируемые так, чтобы имитировать работу биологических мозгов, с элементами «свободы воли»^[19]. Их часто называли «черепахами» из-за формы и манеры движения. Они были способны к фототаксису — движению в ответ на свет^[20].

Марсоходы MER-A и MER-B (позднее — Spirit и Opportunity) могли самостоятельно определять положение Солнца и прокладывать маршрут к цели:

• Строительство трёхмерной карты поверхности
• Определение безопасных и опасных зон
• Вычисление оптимального пути к цели
• Движение по проложенному маршруту
• Повторение процесса до завершения или невозможности прохода

Планируемый марсоход ESA — «Розалинд Франклин» — способен автономно строить 3D-модель окружения с помощью стереокамер, определять сложность участков и составлять эффективные маршруты. При движении он формирует карту навигации по полученным данным.

В ходе соревнования NASA Sample Return Robot Centennial Challenge (2016) ровер Cataglyphis впервые продемонстрировал полную автономию навигации, принятия решений, поиска, захвата и возврата образцов^[21]. Навигация обеспечивалась сочетанием данных с инерциальных датчиков, колесных энкодеров, лидаров и камер (без GPS и магнитометров).

Seekur — первый коммерческий робот с функциональностью для комплексного применения на объектах (аэропорты, ТЭЦ, исправительные учреждения, охрана).

Конкурсы DARPA Grand Challenge и DARPA Urban Challenge способствовали развитию автономии сухопутных и воздушных аппаратов (например, в рамках AUVSI International Aerial Robotics Competition).

AMR-тележки компании Seyiton перевозят до 1,5 т грузов на производстве^[22].

С 2013 по 2017 гг. TotalEnergies проводила конкурс ARGOS Challenge по созданию автономных роботов для нефтегазовых промышленных объектов, включая работу в условиях осадков, ветра и экстремальных температур.

К ключевым современным роботам относят:

• София (Sophia) — автономный робот^[23][24] с человекоподобной внешностью и поведением. Архитектура Софии включает скрипты, чат-систему и платформу OpenCog для обобщённых рассуждений^[25]. София имитирует человеческие жесты и мимику, отвечает на вопросы и ведёт простые диалоги на заданные темы^[26]. ИИ анализирует разговоры, что позволяет системе совершенствовать свои ответы^[27].
• Девять других человекоподобных роботов лаборатории Hanson Robotics: Alice, Альберт Эйнштейн HUBO, BINA48, Han, Jules, Professor Einstein, Philip K. Dick Android, Zeno и Joey Chaos^[28][29]. В 2019–2020 годах был представлен «Little Sophia» — компаньон для обучения детей программированию (Python, Blockly, Raspberry Pi)^[30].

Логистические автономные мобильные роботы (AMR) для складов и роботы для уборки помещений стали массовым сегментом^[31][32].

Летальное автономное оружие (LAWs) — это автономные военные роботы, способные самостоятельно распознавать и поражать цели в соответствии с запрограммированными ограничениями. LAWs могут действовать в воздухе, на суше, на воде, под водой и в космосе. Современные системы, как правило, допускают решение об атаке человеком, хотя есть исключения для некоторых оборонительных платформ.

• Профиль совместимости сухопутных платформ (UGV IOP) — проект Министерство обороны США по работе с открытыми стандартами для сухопутных БПЛА.
• В 2019 году Textron и Howe & Howe представили Ripsaw M5 — автономную платформу для боевых задач^[33].
• Crusher (робот) — автономный сухопутный робот весом более 6 тонн, разработанный в Карнеги-Меллон на основе программ DARPA^[34].
• CATS Warrior — проект индийского автономного беспилотника, способного взлетать и садиться с авианосца и действовать в связке с боевыми самолётами^[35].
• SGR-A1 — автономная турель, разработанная Samsung Techwin и Сеульский национальный университет для южнокорейской демилитаризованной зоны^[36].

Tesla Bot и NVIDIA GR00T — примеры гуманоидных роботов. Они стараются повторять внешний вид и поведение человека (голова, туловище, руки, ноги). Большинство гуманоидных систем находится на стадии пилотных проектов и тестирования^[37]. Роботы Agility Robotics Digit применяются на складах компаний Amazon и GXO Logistics^[37][38], модели Figure AI проходят тестирование на автомобильных заводах BMW^[39], а электрическая версия Boston Dynamics Atlas испытывается на производственных площадках Hyundai и BMW^[40].^[41] Робот Tesla Optimus Gen 3 обучается новым задачам через имитационное обучение по видео^[42]. Платформа NVIDIA Project GR00T используется сторонними производителями, такими как Apptronik, Unitree Robotics и 1X Technologies^[43].

Робот-доставщик — автономный робот, используемый для перевозки товаров.

Автоматический зарядный робот (Hyundai Motor Group, 2022) — роботизированная рука для зарядки электромобиля в автоматическом режиме с использованием технологий машинного зрения и глубинного обучения. Робот распознаёт разъём, вычисляет координаты и автоматически подключает кабель к машине.

Роботы для строительных работ используются непосредственно на строительных площадках: они способны осуществлять возведение конструкций, транспортировку материалов, земляные работы и наблюдение.

Мобильные роботы для исследований и обучения применяются как на этапе прототипирования полноразмерных роботов, так и для учебных курсов, особенно в университетах. Они обычно масштабно меньше, но обладают аналогичными сенсорами и программным обеспечением (ROS), а также удобным интерфейсом для программирования.

В сельском хозяйстве применяются автономные роботы, такие как Solix, которые используются для непрерывного мониторинга посевов, точечного внесения гербицидов на уровне отдельных растений и сбора агрономических данных в реальном времени^[44]..

Рынок роботизированной хирургии демонстрирует уверенный рост: объём рынка систем da Vinci увеличился с 2,71 млрд долларов в 2025 году до 3,27 млрд долларов в 2026 году.