Мы обратились к руководителям новых лабораторий д.т.н. О.М. Гергет, д.ф.-м.н. И.В. Козицину и к.ф.-м-н. А.Ю. Кустову с просьбой рассказать о том, какие научные цели и задачи стоят перед коллективами лабораторий.

 

О.М. Гергет:

 

«В марте 2026 г. была подана заявка на конкурс по созданию технологических лабораторий Минобрнауки по направлению «Средства производства и автоматизации».  

Наша заявка вошла в число победителей, что и дало возможность создать в Институте лабораторию №3 «Гибридной робототехники». Одним из направлений работы будет поддержанный Минобрнауки проект «Гибкая робототехника технологий высокой точности для мониторинга и диагностики дефектов внутри конструктивно сложного оборудования». 

Сразу скажу, что требования к технологическим лабораториям достаточно жесткие. За три года мы должны пройти путь от математической модели до экспериментально апробированного лабораторного образца, а помимо этого еще сформировать проектную студенческую команду, организовать молодежную секцию на одной из конференций, проводимых Институтом, выпустить публикации, подать заявки на результаты интеллектуальной деятельности, защитить кандидатские диссертации и др.

Расскажу немного, откуда взялась идея и какой есть опыт. 

Мы долгое время работали над автоматизированной системой доставки медицинского катетера для эндоваскулярных вмешательств. Наверное, немногие видели эндоваскулярный катетер - это длинный гибкий инструмент, который врач вводит в артерию и управляет им снаружи, а все действия (в том числе, установка стентов) осуществляются внутри сосуда через управление дистальным концом катетера. Критично даже небольшое отклонение в ориентации конца катетера. Чтобы автоматизировать доставку инструмента, нам пришлось научиться описывать форму гибкого дистального конца, восстанавливать ее по изображению и рассчитывать управляющие воздействия так, чтобы дистальный конец оказывался в нужной точке и смотрел в нужном направлении. При этом мы использовали опыт, который получили при решении медицинских задач мониторинга и диагностики дефектов внутри сложного оборудования. Конечно, у сосуда и станка разные требования и разная физика, но математика во многом общая.

Сейчас, чтобы понять, что происходит внутри сложного оборудования, его чаще всего приходится разбирать, а детали отправлять в ремонтные мастерские. Это долго, дорого, да и разборка-сборка вносят дополнительные погрешности. Можно использовать жесткие эндоскопы, но они управляются в ручном режиме; кончик эндоскопа, где размещена камера, после двух-трех поворотов перестает изгибаться.

Если рассматривать промышленный манипулятор, то внутри полости сложного оборудования он просто не поместится. Отсюда появилась идея использовать гибкий манипулятор, который сможет пройти через технологическое отверстие, обогнуть препятствия и подвести камеру и датчики к нужной точке под нужным и заранее заданным углом, а также, чтобы через неделю или месяц можно было оценить произошедшие изменения именно с этой же позиции. 

У гибкого робота нет жестких звеньев и шарниров. Форма робота меняется за счет упругого изгиба всего тела, а управление осуществляется натяжением тросов. Формально у такого робота бесконечное число степеней свободы, а приводов всего несколько - их количество определяется в зависимости от числа секций и количества тросов (2-3) на секцию. Другая трудность состоит в том, что форма гибкого робота зависит не только от натяжения тросов, но и от веса, жесткости материала и температуры среды. Поэтому точность позиционирования - непростая задача, которой в проекте будет уделено большое внимание.

Другой момент – это способность гибкого робота огибать препятствия. Если для классического манипулятора контакт с препятствием приводит к аварии, то гибкий робот может не только обогнуть препятствие, но и использовать его (например, стену или выступ) для дальнейшего продвижения. Просчитать, куда придет дистальный конец робота при изменяемой кривизне и смещаемой базе после контакта с препятствием, – еще одна интересная и непростая задача. 

Работа в проекте разбита на три этапа. 2026 –год – этап создания математической модели кинематики робота с секциями переменной кривизны и длины и подвижным основанием и разработка методыов решения обратной задачи кинематики. В 2027 г. мы будем разрабатывать мультимодальную сенсорную подсистему с методами компьютерного зрения и машинного обучения для поиска дефектов, а также модель динамики и алгоритмы планирования движения. Здесь будет решена задача, где гибкий робот будет не только огибать препятствия, но и перемещаться, опираясь на них. В 2028 г. планируем изготовить и испытать лабораторный образец с экспериментальной оценкой точности позиционирования.

Кинематическую модель многосекционного робота с учетом переменной кривизны секции и смещения базы мы уже сделали. 

Классическое допущение о постоянной кривизне секции достаточно часто описывается в научных статьях, но в реальности секция имеет неравномерный изгиб. Мы описываем секцию набором дуг с разной кривизной и разрабатываем методы, которые по измерениям определяют параметры робота. Обратная задача кинематики – найти форму робота по точке, куда нужно доставить датчик – имеет несколько решений для гибкого робота, а ответ нам нужен здесь и сейчас. Поэтому мы проводим расчеты, эксперименты, определяем параметры, смотрим, где допущения работают, а где кручение или контакт со стенкой требуют разработки других подходов или внесения изменений в саму конструкцию. Разработана программа, которая строит трехмерную модель робота для 3D печати и работы в симуляторе по параметрам конструкции. Изготовлены два типа конструкции гибкого робота, а чтобы бороться с закручиванием тела робота, тросы прокладываются во встречных направлениях.

Еще одним из условий конкурса является привлечение молодежи. Мы должны собрать такую лабораторию, где все будут работать не только на результат, но и с интересом. Во-первых, каждый непосредственно видит свой результат - робот либо пришел в заданную точку, либо нет. У каждого своя задача, но проверяем все вместе. Во-вторых, когда человек сам напечатал секцию робота, провел расчеты, собрал и увидел, что робот изогнулся не так, как должно быть согласно расчетам, то он начинает глубже понимать проблему, вовлекается в более детальный поиск, ему приходится поднимать весь фундамент сразу нескольких дисциплин - это и механика упругих конструкций, и теория управления, и высшая математика, и компьютерное зрение, и т.д. Именно тогда, я считаю, интерес перерождается в профессиональный рост. 

Сейчас мы разрабатываем для молодых сотрудников индивидуальные исследовательские планы и формируем проектную студенческую команду. 

Если есть желание и интерес, присоединяйтесь!»

 

И.В. Козицин и А.Ю. Кустов выиграли конкурс Правительства РФ на открытие молодежных лабораторий, которые станут отдельными производственными единицами внутри Института с отдельными научными темами, на развитие которых выделяется дополнительное государственное финансирование. 

Целью проекта является создание условий для системной поддержки и развития научно-исследовательской деятельности молодежи, направленной на повышение конкурентоспособности российской науки и укрепление научного потенциала страны.

Проект позволяет осуществлять адресную поддержку молодых ученых–лидеров, стимулировать их профессиональный рост и патриотические настроения, способствовать раскрытию потенциала молодых ученых в создаваемых молодежных лабораториях, обеспечивая по мере достижения результатов переход от фундаментальных исследований к прикладным задачам в тесном взаимодействии с индустриальными партнерами.

26 октября И.В. Козицин и А.Ю. Кустов выступили на Ученом совете Института, где рассказали о задачах и планах новых лабораторий.

 

И.В. Козицин:

 

«Искусственный интеллект (ИИ) все активнее участвует в социальных процессах, опосредуя взаимодействия между людьми и выполняя делегированные ими задачи. Рекомендательные системы и алгоритмы ранжирования медиа платформ влияют на доступность информации, распределение внимания и формирование социальных связей. Большие языковые модели используются для поиска и интерпретации информации, подготовки рекомендаций и поддержки принятия решений, а созданные на их основе ИИ-агенты могут самостоятельно выполнять отдельные действия в рамках заданных целей и ограничений. 

Возникающие человеко-машинные системы можно описывать как мультиагентные системы, участники которых различаются механизмами принятия решений, возможностями обучения и доступной информацией. Их исследование требует развития существующих моделей социальных процессов с учетом взаимной адаптации людей и ИИ, изменения структуры взаимодействий и возникающих обратных связей. Наша лаборатория будет изучать фундаментальные закономерности коллективной динамики таких систем, условия их устойчивости и возможности управления ими.

Одним из направлений работы лаборатории станет исследование поведения ИИ-агентов в теоретико-игровых постановках и коммуникациях с людьми и другими агентами. Планируется изучить закономерности выбора и адаптации стратегий, зависимость поведения от доступной информации и организации взаимодействий, а также возможности и ограничения влияния ИИ на мнения и решения человека. Внимание будет уделено постановкам дуального управления, в которых выбор вопроса, аргумента или последовательности сообщений позволяет одновременно воздействовать на мнение собеседника и уточнять параметры модели его поведения. 

Мы уже полгода движемся в этом направлении: совместно с МФТИ проводим лабораторные эксперименты, исследуя возможности языковых моделей влиять на мнения людей. Как меняется коллективное решение группы, если один из ее участников – языковая модель? При каких условиях люди доверяют ИИ больше, чем друг другу? Как это доверие формируется и пересматривается по мере накопления опыта? Вопрос доверия в целом очень важный для развития социальных систем и очень многогранный – мы планируем уделить ему особое внимание.

Перспективное направление связано с использованием ИИ-агентов для моделирования поведения людей, исследования устройства онлайн-платформ, тестирования алгоритмов ранжирования и оценки последствий управленческих решений. Здесь важно установить, какие закономерности человеческого поведения воспроизводят ИИ-агенты и при каких условиях результаты таких вычислительных экспериментов применимы к реальным социальным системам.  

Важный объект наших исследований – коэволюция людей и ИИ-агентов, то есть взаимосвязанные изменения их поведения и структуры взаимодействий. Данные о действиях людей могут использоваться для обучения и обновления ИИ, а рекомендации и действия ИИ влияют на последующие решения людей. Эти решения, в свою очередь, становятся источником новых данных. Возникающий контур можно исследовать методами теории динамических систем и теории управления. При каких условиях такая система приходит к устойчивому состоянию? Когда взаимодействие людей и ИИ усиливает поляризацию мнений или сокращает разнообразие взглядов и предпочтений? Как меняется динамика системы, если для обучения ИИ все шире используются данные, созданные другими ИИ-системами? 

В центре исследовательской программы лаборатории находится сетевая организация социальных систем. Мы будем изучать, как структура связей между участниками определяет коллективную динамику и как поведение участников, в свою очередь, преобразует эту структуру. Особое внимание будет уделено устойчивости сетевых структур, их способности сохранять связность и основные функции при изменении состава участников, разрушении связей и внешних воздействиях. Принципиальное значение имеют неоднородность социального окружения, многослойность связей и взаимодействия высших порядков, при которых влияние группы не сводится к сумме парных воздействий. Включение ИИ-агентов ставит новые вопросы: как их положение в сети и характер связей с людьми влияют на распространение информации, формирование доверия и согласование решений? При каких условиях локальные изменения взаимодействий приводят к масштабным перестройкам системы? Установление связей между сетевой структурой, устойчивостью коллективных состояний и возможностями управления объединит все направления работы Лаборатории №13 «Сетевого управления социальными системами».

Презентация И.В. Козицина.

 

А.Ю. Кустов:

 

«Развитие беспилотных авиационных систем наряду с искусственным интеллектом является одним из наиболее динамично развиваемых направлений современной науки и техники. Мобильные беспилотные платформы все чаще рассматриваются не как узкоспециализированные технические устройства, а как сложные системы, способные действовать в изменчивой, не полностью определенной среде, насыщенной разного рода взаимодействиями и возмущениями. 

В этом контексте навигация и управление движением перестают быть только задачами стабилизации или следования заранее заданной траектории - они превращаются в область, где требуется совместное использование фундаментальных результатов теории управления, обработки информации, искусственного интеллекта и машинного обучения. Именно на стыке этих направлений формируется гибридный подход, который способен расширить функциональные возможности беспилотных авиационных систем и повысить степень их автономности.

Классическая теория автоматического управления накопила мощный арсенал моделей, методов и критериев, обеспечивающих устойчивость, наблюдаемость и управляемость динамических объектов. Однако применительно к беспилотным авиационным системам эти результаты все чаще встречаются с ограничениями, связанными с нелинейностью, нестационарностью, неопределенностью параметров и внешних воздействий. Кроме того, все более актуальной становится тема применения методов машинного обучения и искусственного интеллекта в таких системах, в связи с чем произошло частичное смещение научного интереса. 

Традиционные подходы хорошо работают в условиях, когда модель объекта достаточно точна, а среда предсказуема. Но реальная эксплуатация беспилотников происходит в условиях меняющейся аэродинамики, ограниченной сенсорной информации, возможных отказов, помех и сложной пространственной динамики. Здесь на первый план выходят методы обработки сигналов, теории связи и информации, позволяющие извлекать полезные сведения из зашумленных данных, обнаруживать аномалии и принимать решения в условиях неполноты. Однако и этих средств недостаточно, если система должна адаптироваться к новым ситуациям, обучаться на опыте и действовать в режиме, близком к интеллектуальному.

 Искусственный интеллект и машинное обучение привносят в эту область способность к обобщению, распознаванию сложных закономерностей, прогнозированию и адаптации. Они позволяют системе не только следовать заложенным правилам, но и вырабатывать поведение на основе данных, накапливаемого опыта и взаимодействия со средой. Однако использование таких методов без опоры на классическую теорию управления и информационные подходы порождает известные риски: снижение предсказуемости, трудности верификации, недостаточную гарантию безопасности. Перспективным оказывается не противопоставление классических и интеллектуальных методов, а их гибридизация. Речь идет о таком соединении, при котором строгие модели и критерии устойчивости сочетаются с обучаемыми компонентами, а обработка информации и принятие решений образуют единый контур. Гибридный подход позволяет сохранить надежность и объяснимость там, где это принципиально важно, и одновременно добавить гибкость, адаптивность и способность действовать в сложных, заранее не описанных ситуациях.

В области навигации такой поворот означает переход от отдельных измерений и простых схем оценивания к комплексному построению представления о положении, движении и окружающей обстановке. Беспилотная авиационная система должна не просто знать свои координаты, но и понимать, насколько достоверна эта информация, какие факторы могут ее исказить, как изменяется среда и какие решения допустимы в текущих условиях. Гибридные методы позволяют объединять модельные представления о динамике с данными сенсоров, использовать обучение для компенсации неучтенных эффектов и повышать устойчивость навигационного решения при деградации отдельных каналов. 

Это особенно значимо для автономных систем, которые должны сохранять работоспособность в условиях радиоподавления, ограниченной связи, сложной городской или горной среды. Управление движением в таком контексте также перестает быть только задачей слежения за заданной траекторией. Оно включает поддержание безопасного режима, перепланирование в реальном времени, взаимодействие с другими объектами, учет ограничений и неопределенностей. 

Гибридные методы также дают возможность сочетать аналитически выводимые законы управления с обучаемыми стратегиями, которые корректируют поведение на основе текущей ситуации, но это не отменяет классических результатов, а надстраивает их, позволяя системе действовать более автономно и гибко. В перспективе именно такой синтез может обеспечить качественно новый уровень функционирования мобильных беспилотных систем: способность самостоятельно принимать решения в условиях неполной информации, адаптироваться к изменениям и сохранять целостность поведения при внешних возмущениях. Фундаментальные результаты теории управления и обработки информации сохраняют здесь свою ключевую роль. Они образуют тот каркас, без которого интеллектуальные технологии рискуют остаться набором эвристик, не обладающих необходимыми гарантиями. 

В то же время искусственный интеллект и машинное обучение позволяют расширить область применимости этих результатов, распространить их на задачи, где строгая модель отсутствует или слишком сложна. Гибридизация становится не просто техническим приемом, а способом мышления, при котором различные научные традиции рассматриваются как взаимодополняющие, что открывает возможность более глубокого понимания того, как могут сочетаться формальные методы и обучаемые системы, как соотносятся модель и данные, как обеспечивается автономность без потери управляемости.

В исследовательской перспективе развитие гибридных методов для беспилотных авиационных систем естественно связано с несколькими линиями. Одна из них — углубление математического аппарата, описывающего навигацию, управление движением и обработку информации в условиях неопределенности. Другая — разработка прикладных методов, в которых машинное обучение и искусственный интеллект используются не вместо классических схем, а вместе с ними. Третья — интеграция классической теории автоматического управления с интеллектуальными технологиями для решения практических задач, возникающих при эксплуатации беспилотных авиационных систем. 

Можно ожидать, что дальнейшее развитие этого направления приведет к более глубокому пониманию возможностей интеллектуальных технологий в задачах навигации и управления движением. Гибридные методы позволят не только повысить автономность беспилотных авиационных систем, но и расширить их функциональные возможности, сделать их более устойчивыми к внешним воздействиям и более приспособленными к сложным условиям эксплуатации. Одновременно будет накапливаться опыт, показывающий, где именно классические подходы сохраняют незаменимую строгость, а обучаемые компоненты дают реальное преимущество.

Таковы основные направления деятельности Лаборатории №5 «Гибридных систем управления подвижными объектами».

Презентация А.Ю. Кустова.

 

Заместитель директора Института по научной работе д.т.н. С.А. Краснова также прокомментировала это событие:

«Открытие молодежных лабораторий стало возможным в результате победы наших заявок (двух из трех поданных) в ежегодном конкурсе

национального проекта «Молодежь и дети».

Цель проекта —  создание условий для системной поддержки и развития научно-исследовательской деятельности молодежи, направленной на повышение конкурентоспособности российской науки и укрепление научного потенциала страны.

Всего в стране до конца года планируется 120 молодежных лабораторий, и в ближайшее время будет объявлен новый конкурс. Мы обязательно будем в нем участвовать!»