Крупнейшая техническая конференция по робототехнике на ROS и ИИ в России

Новые стандарты ПО для роботов: вектор в сторону открытости и взаимодействия, а не ограничений.
Спикеры:

• Минпромторг (Спикер уточняется)
• Третьяков Вадим (Мосстратегия)
• Александр Уфимцев (Сбер)
• Олег Шипитько (Yandex Robotics)
• Александр Воронин (РобоПро)

Как роботы и цифровые технологии меняют рынок труда и почему начинать нужно не с покупки дорогого оборудования, а с оптимизации процессов

Вызовы и перспективы экосистемы подготовки кадров в сфере робототехники

Доклад посвящен концептуальному вопросу возможности внедрения антропоморфных роботов в бизнес процессы крупной нефтегазовой компании

Если традиционный подход к подготовке кадров уже не в полной мере отвечает задачам времени, значит, пришёл момент искать новые рабочие решения. Перспектива в более тесной связке между образовательными организациями, индустрией, интеграторами, производителями технологических решений и конечными заказчиками — в такой модели, где обучение строится не обособленно, а как совместная работа всех сторон, заинтересованных в результате.

Опыт Росатома — "Роботизация как драйвер новой производственной культуры: опыт Росатома в повышении производительности труда. Тренд на безлюдные технологии"

По мере роста числа роботов на складе задачи управления выходят далеко за пределы возможностей отдельных ROS-приложений. Возникает необходимость в отдельном платформенном слое, который обеспечивает оркестрацию, мониторинг и интеграцию гетерогенного флота в единый производственный процесс.

В докладе будет представлен этот слой на примере Yandex Robotics Platform — программной платформы, управляющей промышленными флотами складских роботов. Я расскажу, как платформа интегрируется с роботами, включая системы на базе ROS, какие задачи берет на себя помимо базового fleet management и какое место занимает в общей IT-архитектуре современного автоматизированного склада.

Особое внимание будет уделено практическому опыту внедрений: разберем реальные кейсы роботизации складов, ключевые архитектурные решения, а также проблемы, которые возникают при переходе от управления одним роботом к эксплуатации масштабируемого роботизированного флота.

В докладе рассматриваются экономические барьеры, сдерживающие внедрение промышленной роботизации в России, и причины значительного отставания по плотности роботизации от мировых показателей. Показано, что ключевым ограничением является не уровень технологий, а высокая стоимость капитала и рисковая природа традиционных CapEx-проектов роботизации, которые часто не проходят инвестиционные комитеты предприятий. На примере типовой экономики проекта демонстрируется, что при текущей стоимости капитала многие проекты оказываются финансово неочевидными для бизнеса. В качестве альтернативы рассматривается сервисная модель Robot-as-a-Service (RaaS), позволяющая перевести роботизацию из инвестиционного проекта в операционные расходы и перераспределить часть рисков на поставщика решения. Обсуждаются ключевые отличия CapEx-модели и RaaS с точки зрения принятия управленческих решений, структуры рисков и предсказуемости затрат. Отдельно рассматриваются условия, при которых сервисные модели могут быть устойчивыми для операторов и эффективными для клиентов. В завершение формулируются практические выводы и рекомендации для промышленных компаний и производителей робототехники.

Анатомия городской робоуборки: вскрытие ЖКХ

Уборка городских пространств - перспективная задача под роботизацию ввиду своей специфики: рутинные повторяющиеся действия, дефицит кадров, высокие требования к качеству. Однако разработчики автономных систем для этой сферы сталкивается с рядом технических и эксплуатационных вызовов.

Городская среда отличается высокой степенью хаотичности: на одной территории могут присутствовать различные типы покрытий, бордюры, малые архитектурные формы, склоны, а также динамические препятствия — пешеходы, велосипедисты и другие участники городской среды. Дополнительную сложность создаёт выраженная сезонность задач: летом требуется уборка пыли и мусора, осенью — листвы, зимой — снега.

В докладе будет представлен практический разбор требований к уборке и разработки роботизированной платформы для городской уборки Bro от компании 168Robotics на базе опыта пилотных проектов на различных типах объектов — парковках, парках, бизнес-центрах и промышленных территориях. Будут рассмотрены ключевые инженерные требования и задачи, возникающие при внедрении роботов в реальную городскую среду: обеспечение модульности, задачи компьютерного зрения и построения интеллектуальных маршрутов уборки. Отдельное внимание будет уделено взаимодействию человека и роботизированной системы.

В декабре 2025 года в рамках Фонда "МИК" открылся Центр испытаний роботехники, основная задача Центра - испытания роботов, сертификация и содействие в дальнейшем внедрении в экосистему города. Кроме того речь пойдет о мерах поддержки и льготах города для развития инновационных решений.

Обсудим современные VLA модели, их преимущества и недостатки для выполнения практических задач в робототехнике. Отметим перспективные направления их улучшения.

Отдельно поговорим о использовании роботов для автоматизации процессов в промышленности и возможности использования в этом современных VLA моделей.

Поговорим о технических вопросах в антропоморфных роботах и ИИ, что произошло за последний год нового, какие перспективы в будущем.

У вас будет возможность задать вопросы из зала к экспертам, поэтому обязательно приходите, это будет самый интересный разговор в отрасли, будем говорить о самом передовом крае робототехник на сегодняшний день.

Презентания новой версии "Конструктор программируемого квадрокоптера «Сверх» на платформе ROS 2 Humble, с новым протоколом общения с полётным контроллером (uXRCE-DDS), с поддержкой нейросетевых вычислений на базе RK3588s/Hailo8L и интеграция роевого интеллекта.

Доклад: SOTA-подходы к управлению роботами с VLM и end2end обучением:
— Обзор современных state-of-the-art методов управления роботами
— Опыт Центра робототехники: использование Vision-Language Models (VLM) для end-to-end обучения гуманоидов и других роботов
— Ключевые проблемы, требующие решения (стабильность, обобщение, безопасность)
— Тренды индустрии и исследований: будущие направления развития

Расскажу о новом гуманоидном роботе "Сервант", разработанном в нашей лаборатории в МФТИ. Покажу на конкретных примерах и цифрах почему строение его ног существенно отличается от общепринятой человекоподобной схемы что это дает.

Предполагается живая демонстрация быстрой ходьбы и других движений робота во время доклада. Доклад основывается на научной статье и был успешно опробирован на конференции IROS2025 в Гуанчьжоу.

Расскажу об актуальных проектах лаборатории в области физически обоснованного машинного обучения и семантических методов для развития автономности роботов.

Обсудим, какие существуют VLM/MLLM для пространственных рассуждений в бортовых системах интеллектуальных транспортных средств (беспилотных автомобилей и роботов). Отметим их быстродействие и потребление ресурсов, программные библиотеки для их ускорения.

Покажем их возможности и ограничения при решении задач ответов на языковые вопросы, описание 3D-сцен, поиска объектов, планирования действий. Коснемся собственных разрабатываемых методов и алгоритмов.

Large Behavior Models, частным случаем которых являются Vision-Language-Action (VLA) модели, объединяют зрение, язык и действия в единую систему, способную воспринимать мир, понимать инструкции и действовать в среде.

В докладе мы разберём, как работают LBM/VLA-модели, чем они отличаются от классических подходов, и почему именно за ними стоит будущее робототехники и Embodied AI.

Доклад посвящен разработке системы управления стопами гуманоидных роботов на основе RL для ходьбы по пересеченной местности. Будет представлена модульная архитектура, сочетающая эвристическое планирование и нейросетевой контроллер с «предвидением» на два шага вперед.

Также будут представлены результаты экспериментов в симуляции, подтверждающие высокую проходимость и стабильность робота на сложных ландшафтах при преодолении препятствий и неровностей.

Автономный транспорт — это продукт с повышенными требованиями безопасности при взаимодействии с физическим миром. В нашей работе мы постоянно сокращаем задержки обработки данных: даже лишние миллисекунды могут привести к ДТП, в том числе с участием людей. Большая часть алгоритмов компьютерного зрения в автономном грузовике — нейросети, и их выполнение становится крайне ресурсоёмким, если не применять оптимизации на стороне вычислительной платформы.

В архитектуре нашей системы восприятия мы используем TensorRT, который в нашем случае ускорил инференс нейронных сетей примерно на 40–50%. В докладе я разберу, с какими особенностями применения TensorRT мы сталкиваемся, как решаем сопутствующие проблемы и каким образом адаптируем TensorRT под требования проекта автономного автомобиля.

Введение и постановка задачи: работа посвящена повышению точности реконструкции траектории и оценивания глубины в рамках Direct Sparse Odometry (DSO) для камер с полем зрения 360°, где широкий угол обзора делает особенно значимыми точки с большим параллаксом и одновременно усложняет их корректное использование в трекинге.

Проблема классического DSO для 360° изображений: в традиционной постановке DSO фотометрическая энергия вычисляется по окрестности ключевой точки при допущении постоянной глубины для всех пикселей внутри патча; для pinhole-камер это приближение обычно приемлемо, однако в 360° камерах из-за специфики проекции и искажений при большом параллаксе оно приводит к деградации оценки соответствий, избирательному отбрасыванию информативных высокопараллаксных точек и, как следствие, к ухудшению точности оценки движения и потере преимуществ широкого поля зрения.

Предлагаемый подход: вводится патч-ориентированная модель оценивания глубины, в которой точки внутри патча рассматриваются как принадлежащие локально планарной поверхности, что позволяет корректнее описывать геометрию наблюдений при 360° проекции и устойчивее использовать точки с большим параллаксом в фотометрической оптимизации.

Параметризация и интеграция в оптимизацию: локальная плоскость задаётся дополнительными параметрами, описывающими ориентацию поверхности относительно центра патча, и эти параметры включаются в систему как дополнительные степени свободы, сохраняя общую структуру DSO, но расширяя модель глубины на уровне патча с учётом локальной геометрии сцены.

Экспериментальная валидация и сравнение: проводится оценка качества на данных 360° съёмки с фокусом на точность реконструкции траектории; демонстрируется, что предложенная планарная параметризация в составе DSO обеспечивает более точное восстановление траектории по сравнению с классическим DSO, а также превосходит репрезентативные методы из класса непрямой разреженной визуальной одометрии на сопоставимых сценариях.

Выводы и вклад: показано, что отказ от предположения постоянной глубины в пользу локально планарной модели патчей позволяет вернуть и усилить преимущества 360° камер в задачах одометрии и реконструкции, повышая устойчивость трекинга на широком поле зрения и улучшая итоговую точность траектории.

Рассказ о том, как на базе квадроцикла создавался робот-охранник, какое оборудование применялось и какие еще функции могли быть переданы роботу

Симулятор — важнейший инструмент в разработке любой роботизированной системы. Однако, виртуальный мир всегда будет некоторым упрощением реальности.

Как понять: учли мы все важные нюансы физического мира? Или наша машина с «идеальными симуляционными метриками» в реальности застрянет на первом повороте?

Для ответа на эти вопросы в команде Автономного транспорта Яндекс мы разработали подход, основанный на замере воспроизводимости реальных проездов роботакси, роботов-доставщиков и автономных грузовиков.

В докладе:
— Я покажу примеры реальных ошибок и выявленных особенностей нашего симулятора и тестируемого пайплайна, которые удалось найти благодаря предлагаемому подходу
— Разберём нюансы применения данного подхода к разным видам симуляций
— Обсудим, что делать, когда реальность и симуляция не совпадают, и почему это не всегда плохо

Как мы боремся с использованием ИИ в олимпиадах и соревнованиях, которые проводим. Практические кейсы и рефлексия для коллег.

Not just another робо-собака с открытыми исходниками. В рамках доклада рассмотрим процесс разработки миниатюризированной робо-панды для учебных учреждений от постановки задач до использования собственных прикладных модулей ROS 2 на уже ходящем изделии.

Затронем домашнее травление и перфорацию плат, обучению хождению с симуляторе, пообщаемся с роботом через локальную LLM, а также рассмотрим простейшую локализацию. За счёт низкой цены компонентов и их доступности на маркетплейсах — результат по сборке можно будет воспроизвести дома хоть профессиональному инженеру, хоть школьнику.

В докладе я хочу рассказать про архитектурные решения, которые были выбраны при проектировании бюджетного коллаборативного манипулятора. Описать хронологию принятия инженерных решений. Преимущества и недостатки выбранной конструкции. А так же какие ещё вызовы стоят на пути перед запуском производства собственного манипулятора.

О процессе разработки открытого академического проекта двуногого шагающего мини-робота.

Расскажем про наш путь от попытки воспроизведения до полного переосмысления проекта. Разработка новых моделей и прошивки микроконтроллера, переосмысление архитектуры софта на ROS2.

Роботы умеют собирать кубик Рубика за 0,1 секунды, а человек за 3 с небольшим. А вот для головоломки Мегаминкс все иначе — человек собирает за 22 секунды, а робот за 8 минут. Мы хотим это исправить.

В докладе будет рассказано о том, как мы подходили к конструированию робота, в чем сложность нахождения коротких путей при сборке головоломки, и можно ли будет обогнать человека, ускорив роботов в 25 раз.

Расскажем о своём опыте реализации проекта для автоматизации подталкивания корма в промышленных коровниках. Будет детальный рассказ как про железо, так и про софт, конечно же на базе ROS 2.

Выступление посвящено вопросу формирования трека обучения ROS, от базовых проектов до сложных, сопровождаемых предприятиями.

Обсуждается программный стек, формат работы смешанной проектной группы, внедрение опыта работы с реальными ROS-роботами на предприятии и научного подхода.

Как сделать так, чтобы старшеклассники за короткую смену прошли путь от «хочу робота» до работающего прототипа, который не стыдно показывать инженерам и индустриальным партнёрам? В докладе разберу наш практический опыт смен КЦ: как мы проектируем образовательную траекторию вокруг ROS-совместимой платформы складского погрузчика, какие решения в механике/электронике/ПО дают максимальный эффект, и где чаще всего сыпется проект.

Отдельный блок — про линейку фанерной спецтехники в стиле ДСТ-Урал: почему фанера и «честная» конструкция работают лучше пластика для обучения, как мы упаковываем инженерные принципы (кинематика, привод, управление, безопасность, производство) в доступный школьнику формат, и как из одного базового шасси рождаются разные машины — от погрузчика до бульдозера и тягача.

Как робот Грин понимает где он находится, что вокруг него происходит и как он добирается до целей.

В презентации представлена архитектура программно-аппаратного конвейера беспилотного трамвая.

Описаны подходы восприятия окружающей среды, основные проблемы в отслеживании и прогнозировании движения динамических объектов и их решения, сформулирована задача планирования движения трамвая с учетом риска.

В докладе представлен stingray_core — фреймворк на основе ROS 2 для программирования подводных роботов. Основной акцент сделан на модульной архитектуре, позволяющей гибко адаптировать систему под различные подводные аппараты, конфигурации датчиков, дополнительного оборудования и систем управления.

Фреймворк может использоваться как базовый программный слой для реализации телеуправляемого режима, а также как основа для последующей настройки и развития автономного управления подводным аппаратом.

Не сходится поведение робота в симуляции и на реальном железе?

Часто причина — неточная модель приводов, которую сложно получить без дорогих стендов и датчиков момента.
Мы предлагаем метод идентификации приводов через дифференцируемую симуляцию, который восстанавливает динамику актуаторов только по траекториям движения, без датчиков момента, и показывает более чем двукратное снижение ошибки и заметное улучшение реальной локомоции робота.

Одной из причин затрат вычислительных ресурсов в Python является реализация Excecutor и MultithreadedExecutor в Python. В докладе будет представлен профайл при использование данных классов, а также способы использования C/C++ для того, чтобы минимизировать затраты выч. ресурсов, при желании сохранить скорость разработки на Python

Раскроем проблематику хранения, управления и обработки данных в домене робототехники - на какие грабли мы наступили и какие решения придумали.

Расскажем про особенности СУБД для росбегов, про то, как проводить быструю фильтрацию не только по метаданным и почему мы отказались от обработки на расписании или через DWH в пользу стека на Ray и Polars.

В докладе будут затронуты несколько приемов, которые значительно улучшили dev experience при разработке под ROS 2:

• Работа с параметрами в ROS. Расскажу, как мы сделали динамическое изменение параметров во время работы и их сохранение в отдельные файлы под конкретного робота. Результат — изменения параметров для одного робота не влияют на другие конфигурации.
• Работа с Asyncio в ROS. Расскажу про то, как можно улучшить внешний вид кода при использовании библиотеки asyncio — вызов сервисов и экшнов, подписка на топики, асинхронные циклы внутри нод. Результат — код выглядит как чистый Python, но под капотом находится ROS 2.
• Система сборки и запуска через лаунч-файлы. Речь пойдет про работу с лаунч-файлами в проекте с большим количеством пакетов, про скрипты сборки и запуска кода с автодополнениями названий пакетов и лаунч-файлов и чуть чуть про работу с Docker.
• Речь будет идти в основном про разработку на python, но для C++ это тоже работает.

Недавно на Reddit представили проект Rovium IDE. Это полноценная среда разработки проектов под ROS 2 на основе VS Code IDE. Уже выпущено несколько стабильных версий (последняя 0.8.0). Авторы ведут сообщество по разработке на Discord где регулярно выходят анонсы о выпуске новой версии и отвечают на любые запросы на github проекта.

До сих пор не было полноценной IDE для разработки под ROS 2, только различные плагины под другие IDE и утилиты командной строки.

Спикер опробовал среду разработки в деле и поделится своим опытом, сделает обзор ее возможностей.

Робот — система, состоящая из множества различных подсистем, с которыми работает большое количество инженеров.

В докладе планируется рассказать, что такое DevOps и какие проблемы он решает в робототехнике. Будет рассказано, какие системы и инструменты используются для организации и оптимизации кросс-командной разработки.

Будет освещено, как обновляются и оркестрируются подсистемы на различных роботах. Также будет рассказано про опыт внедрения единого пайплайна поставки ПО на роботах.

Доклад посвящен библиотекам, написанных на языке программирования Julia и связанных с робототехникой.

Доклад затрагивает следующие темы:
— Особенности языка программирования Julia как языка программирования, решающего проблему «двух языков»
— Проект JuliaRobotics, который является коллекцией пакетов, связанных с робототехникой и написанных на языке Julia
— Использование библиотеки RigidBodyDynamics.jl для создания и исследования кинематики и динамики механизмов
— использование библиотеки MeshCatMechanisms.jl для визуализации и анимации механизмов, созданных с помощью RigidBodyDynamics.jl или моделей, созданных на основе URDF-описания робота

В докладе рассматривается опыт внедрения архитектуры ROS 2 в учебные курсы по подводной робототехнике. Традиционно разработка для автономных необитаемых подводных аппаратов требует узкоспециализированных знаний в области низкоуровневого программирования.

Использование ROS 2 позволяет снизить порог вхождения для учащихся, перенеся фокус с реализации базовой коммуникации на алгоритмы навигации и компьютерного зрения.

Сказ о создании программного обеспечения для отечественного микроконтроллера Миландр K1986BE92 с применением micro-ROS для задач мобильной робототехники.

Рассмотрим подготовку инструментария, возникающие сложности и способы их устранения, пример программного обеспечения и обсудим целесообразность применения micro-ROS.

Инструмент для автоматической генерации ROS 2 пакетов на C++, который устраняет необходимость написания boilerplate-кода. С помощью веб-интерфейса разработчики могут визуально конфигурировать ноды, добавляя publishers, subscribers, services, parameters и message filters через интуитивные формы. Система автоматически создаёт все необходимые файлы (.hpp, .cpp, CMakeLists.txt, package.xml) с соблюдением ROS 2 best practices и правильной структурой зависимостей.

Инструмент ускоряет разработку в 10 раз, позволяя создавать работоспособные ROS 2 пакеты за 30 секунд вместо 5-10 минут ручного кодирования. Он особенно полезен для быстрого прототипирования, стандартизации кода в командах и обучения начинающих разработчиков ROS 2, позволяя сосредоточиться на бизнес-логике, а не на инфраструктурном коде. Поддерживает как веб-интерфейс для мгновенного старта, так и локальную установку для интеграции в рабочий процесс.

Коригодский Андрей Александрович — Генеральный директор ООО «Сверх». Разработчик open-source решений для PX4/MAVLink, эксперт с многолетним опытом разработки образовательных БАС.

Ведущие мероприятия:

• Холодилов Илья — Ведущий разработчик систем технического зрения ООО «Сверх». Специалист по VINS-Fusion, SLAM и навигации в сложных условиях, разработчик ML-решений для промышленности.
• Мальцев Антон — Руководитель направления и один из ключевых организаторов запуска крупнейшего в России Учебного центра БАС (АНО «ФЦ БАС», Руднево). Основатель центра «Летающая Робототехника».
• Бондарь Георгий — Генеральный директор ООО «Авиацмит», сотрудник центра технологических олимпиад НИТУ МИСИС.
• Старшинов Захар — Эксперт в области эксплуатации БВС, организатор учебного отдела и инструктор БАС (АНО «ФЦ БАС», Руднево), преподаватель ГБПОУ МГОК.

Практический воркшоп по запуску SLAM‑навигации и бортового ИИ на базе образовательных квадрокоптеров «Сверх», работающих под ROS

Участники будут работать в полётной зоне с лабиринтом, где дрону предстоит автономно ориентироваться в ограниченном пространстве и использовать компьютерное зрение для анализа окружения.

Фокус воркшопа — не на готовых решениях, а на понимании архитектуры: от связки полётного контроллера и бортового компьютера до интеграции алгоритмов SLAM и нейросетей распознавания объектов. Конкретные сценарии миссии, типы распознаваемых объектов и формат итогового задания будут объявлены в регламенте перед стартом мероприятия.


Пререквизиты:

• Уверенное владение Linux (terminal).
• Базовое понимание ROS 2 (Nodes, Topics, Launch).
• Ноутбук.

В течение воркшопа мы разберем полный путь настройки инфраструктуры роботов:

• Сборка 20 ubuntu под Jetson Nano, для того, чтобы была возможность использовать современный docker
• Проектирование глобальной переделки Jetbot Waveshare: добавление лидара, расчет подходящих моторов с энкодерами, разработка нового корпуса
• Особенности настройки кросс-компилируемой сборки базовых и новых моделей на основе Docker;
• Настройка микросервисной архитекторы для исследовательского робота на основе ROS2 Humble и Docker compose
• Особенности работы с мультиагентными роботами: настройка workspaces в ROS2 для работы в едином пространстве, настройка Zenoh для связи между роботами, Ansible для оркестрации роботов.
• Как подружить MAPF-GPT с нашей системой: инференс модели.

Воркшоп посвящён мульитагентному (мультироботному) планированию путей и современным подходам к его решению: от классических централизованных алгоритмов на основе эвристического поиска до методов с RL и обучаемыми трансформерами, включая MAPF-GPT.

Участники познакомятся с основными постановками задачи, разберутся в сильных и слабых сторонах классических алгоритмов, увидят, как RL и трансформеры могут быть применены для данной задачи, а также узнают о самых современных гибридных подходах.

Формат:

Первая часть — обзор теории, от классической A* до трансформеров с рекуррентной коммуникацией.

Вторая часть — Обсуждение способов сравнения алгоритмов. Разбор практических примеров с использованием нашего бенчмарка POGEMA. Участники получат практический опыт: научатся запускать современные алгоритмы, анализировать их работу и экспериментировать с кодом.

Прериквизиты: базовые знания алгоритмов, умение писать на Python и PyTorch, а также понимание основ машинного обучения будут полезны, но не обязательны.

Обучение и применение VLA моделей и интеграция с ROS 2

This study presents an algorithm for autonomous homing of a mobile robotic complex (MRC) in a dynamic, map-free environment. The methodology relies on processed odometry data, filtered and smoothed through multi-stage Savitzky-Golay filtering. For structural path representation, the GRASP-UTS segmentation algorithm decomposes the traversed trajectory into homogeneous segments, which are then used to construct a navigation field.
The core contribution is a navigation strategy employing a simplified vector field. Unlike conventional approaches (classical potential fields, PID trajectory tracking, reactive algorithms), the resulting control vector is synthesized as a superposition of three functional components: a trajectory attraction vector ($e_{path}$), an exponential repulsion vector from the target point ($e_{repel}$)-derived from segmentation to stabilize the final approach phase, and a tangential velocity vector ($v_{tangent}$), which governs the forward speed along the route. This framework is augmented with a reactive obstacle-avoidance module based on LiDAR data.
The algorithm is implemented within the ROS 2 framework, converting the computed vector field into differential-drive motion commands. Its efficacy is validated through simulations in MATLAB and Gazebo, as well as physical experiments on a real MRC platform (TurtleBro). Experimental results confirm the high robustness of the proposed model to odometric drift and the reliable performance of the MRC in returning to the start point under external environmental uncertainty.

Object recognition and classification are widely used in modern robotics for both navigation and environmental interaction. Therefore, object detection remains a critical area of research. Regardless of the vast number of models currently available and their significant level of refinement, robots operating in non-deterministic environments still encounter challenges in selecting optimal solutions, often due to the hardware constraints of edge platforms. This paper presents a comparative analysis of the most relevant and promising models for further development. Performance is evaluated based on a set of criteria: accuracy, computational complexity, latency, and energy efficiency across various integration methods. The results identify the most balanced solutions for integration into autonomous systems with limited computing resources.

This article provides an analytical overview of modern image preprocessing methods to preserve the morphological features of objects in low light and high noise conditions. The article provides a theoretical comparison of these approaches and estimates their potential for performance improvement in the field of computer vision systems. The findings of this work help identify the most effective preprocessing techniques for low-light, high-noise images to improve object recognition reliability while simultaneously reducing the demand on computational resources.

In this work, we propose a two-stage framework for cooperative active sensing in robot teams equipped with multiple steerable sensors. In the first stage, sensor placement and base orientations are optimized using the NSGA-II multi-objective genetic algorithm, balancing field-of-view overlap and angular sensing density under platform constraints. In the second stage, cooperative sensor control is formulated as a reinforcement learning problem. A centralized policy trained with Proximal Policy Optimization (PPO) learns to rotate sensors within bounded ranges around the optimized orientations to maximize environmental coverage while maintaining visual observation of teammates.

Simulation experiments with teams of 3–5 robots show that the proposed approach significantly improves sensing coverage compared to static configurations, demonstrating the benefit of jointly considering sensor placement and cooperative active sensing.

Motivated by this, we propose thr architecture that combines the semantic capabilities of metric-semantic spatio-temporal SLAM Khronos while performing map and pose estimation through 3D reconstruction with Depth Anything 3. The initial vision-inertial odometry module is replaced with a new end-to-end solution, eliminating the need for an IMU. Dense point clouds generated from the 3D reconstruction are then processed with SLAM, resulting information-rich maps.

This approach demonstrates that our architecture enables metric-semantic SLAM using only a monocular RGB camera, providing an efficient and sensor-light solution for detailed scene understanding.

Понимание пространственных и временных отношений в изображениях и видео остаётся одной из ключевых задач визуального рассуждения.
Мы предлагаем метод, который строит динамический scene graph, представляющий объекты и их пространственные отношения, и хранит сегменты графа как RAG-чанки (Retrieval-Augmented Graph).
Для каждого VQA-запроса метод извлекает релевантный подграф из scene graph, который подаётся в LLM для выполнения точного multi-hop reasoning, что позволяет эффективно обрабатывать сложные вопросы без перегрузки контекста модели.

Использование RAG-чанков обеспечивает масштабируемость на длинные видеопоследовательности и поддерживает фокусировку на наиболее значимых объектах и отношениях.
Метод также позволяет автоматически генерировать новые VQA-пары, способствуя расширению датасетов и улучшению evaluation и training на комплексных сценах.

В отличие от традиционных end-to-end подходов, предлагаемый метод явно кодирует структурированные отношения объектов, обеспечивая более детальное и объяснимое reasoning.
Это открывает возможности для задач пространственного рассуждения, scene understanding и анализа сложных визуальных сцен в условиях ограниченного контекста LLM.

In legged-robot locomotion, energy efficiency is considered a critical factor in the design of many control algorithms, particularly reinforcement learning (RL)-based approaches. However, the relationship between gait parameters and energy consumption in learned quadruped controllers remains insufficiently investigated. In this paper, we present a systematic analysis of how these parameters influence the cost of transport (CoT) in a learned locomotion policy for the Unitree AlienGo quadruped. Gait parameters are externally commanded over predefined ranges, and their effect on CoT is evaluated across different locomotion velocities using a single RL policy. In addition to energy trends, the ability of the policy to track commanded gait parameters is analyzed to assess the reliability of the conducted experiments. The results show that while certain gait parameters strongly affect CoT depending on speed, others exhibit negligible influence within the considered operating ranges, indicating potential redundancy in energy-aware gait parameterization. Furthermore, we demonstrate that CoT can be accurately estimated from commanded gait parameters and velocity using a data-driven predictive model, without requiring direct torque measurements. This work provides practical insights into energy-efficient gait design for learned controllers, offering a data-driven perspective for energy-aware gait selection in learned quadruped locomotion.

This study presents the development of a six degrees of freedom anthropomorphic robotic leg for a humanoid robot intended to collaborate with, or safely replace, human workers in hazardous environments. The proposed design features a hybrid kinematic architecture, combining a serial hip and a parallel ankle mechanism, actuated by permanent magnet synchronous motors with a custom field-oriented control-based controller. To validate the theoretical concept and establish a foundation for advanced balanced algorithms such as zero moment point control, a comprehensive simulation model and a corresponding kinematic structure of the complete leg was developed. Forward kinematics were derived and verified using the Denavit-Hartenberg method, while a polynomial approximation was utilized to efficiently solve the inverse kinematics of the parallel ankle structure. To test the practical viability of the design, a physical proof-of-concept prototype with the knee and ankle joints was fabricated. Experimental results confirmed suitable torque output and successful forward propulsion as well as very similar behavior between the prototype and the simulation model. Finally, performance and mechanical limitations of the initial design were identified, and structural improvements were modeled to guide future iterations.

Aim of unsupervised reinforcement learning is to train agent produce meaningful behavior without specified reward. A prominent approach in this setting is skill learning, which promotes learning universal behaviors. These methods typically rely on a discriminator to distinguish states. If, however, even a single component of two compared state vectors differs, the states are distinguishable. Consequently, the agent's behavior becomes significantly less diverse than it could be. To address this issue, we propose applying skills not to the entire scene vector, but to each object vector individually. This modification increases behavioral diversity and enables explicit control over which objects are affected by a given skill.

The 3D scene graph models spatial relationships between objects, enabling the agent to efficiently navigate in a partially observable environment and predict the location of the target object. This paper proposes an original framework named SGN-CIRL (3D Scene Graph-Based Reinforcement Learning Navigation) for mapless reinforcement learning-based robot navigation with learnable representation of open-vocabulary 3D scene graph. To accelerate and stabilize the training of reinforcement learning-based algorithms, the framework also employs imitation learning and curriculum learning. The first one enables the agent to learn from demonstrations, while the second one structures the training process by gradually increasing task complexity from simple to more advanced scenarios. Numerical experiments conducted in the Isaac Sim environment showed that using a 3D scene graph for reinforcement learning significantly increased the success rate in difficult navigation cases.

This paper presents a deep reinforcement learning framework for motion control of a biomimetic robotic fish in a simulated underwater environment. The robot features a multi-segment flexible tail actuated by servomotors and thrusters, enabling undulatory locomotion. We develop a realistic simulation environment using the Stonefish simulator, integrated with ROS2, to model hydrodynamics, joint dynamics, and sensor feedback.

A reinforcement learning environment is designed following the Gymnasium interface, providing observations such as joint positions, velocities, depth, orientation, and target states. The control policy is trained using the Proximal Policy Optimization (PPO) algorithm, with a custom reward function that balances forward speed and energy efficiency. The policy outputs continuous actions that define the amplitudes, phases, and frequency of the tail's undulatory motion, as well as the yaw offset for steering.

Experimental results demonstrate that the learned policy enables the robotic fish to achieve stable forward swimming, maintain target depth, and perform directional control without explicit mathematical modeling of the hydrodynamics. The agent successfully adapts to varying target depths and yaw angles, showing robust performance in the presence of environmental disturbances. The proposed framework provides a foundation for developing adaptive and efficient control strategies for biomimetic underwater vehicles.

The pipeline maps an RGB observation and a natural-language instruction to a 7-dimensional action vector
𝑎𝑡 =[Δ𝑥,Δ𝑦,Δ𝑧,Δ𝜙,Δ𝜃,Δ𝜓,𝑔]∈𝑅6×[0,1], which is decomposed into (i) an incremental end-effector pose target and (ii) a gripper command. These outputs are executed through a conventional motion stack based on MoveIt planning, a planning scene with collision constraints, and a ROS2 control layer, thus separating high-level intention prediction from low-level trajectory generation and actuation.

The proposed system is experimentally validated on the RUKA robotic manipulator, an in-house platform assembled in the Robotics Laboratory of the Mechanics Institute, Lomonosov Moscow State University. We report an end-to-end implementation in which the VLA output is directly translated into two motion primitives (“go-to arm” and “go-to gripper”), then processed by the motion planner and controllers to generate collision-aware trajectories and actuator-level commands. We provide system-level performance measurements on a workstation equipped with an NVIDIA Tesla V100 (16 GB), demonstrating stable inference behavior across common camera resolutions and a sustained closed-loop update rate of ∼2 ⁣− ⁣3 Hz under single-GPU execution, with peak GPU memory usage of ≈14.4GB. These results support practical closed-loop operation for representative manipulation commands (e.g., reaching, re-orienting, and grasp open/close) in a laboratory environment.

Our contribution is a practically implementable, safety-oriented integration pattern for VLA-driven manipulation compatible with standard motion planning and control frameworks, together with empirical on-hardware characterization and a roadmap for scalable extensions, including multi-GPU throughput scaling via parallel VLA workers with supervisory arbitration, and multimodal human–robot interaction modules (e.g., speech-to-instruction) for collaborative manipulation scenarios

This paper addresses the problem of adaptive control for a nonlinear robotic manipulator subjected to complex reference trajectories. Building upon recent comparative studies of neural network-based control architectures, an alternative hybrid control strategy is proposed, which integrates a Long Short-Term Memory (LSTM) network with a conventional Proportional-Integral-Derivative (PID) controller. In the proposed LSTM+PID scheme, the LSTM network processes a temporal sequence of past tracking errors and generates real-time corrections for the proportional, integral, and derivative gains, thereby enabling dynamic adaptation of the control law. The parameters of the hybrid controller — comprising both the PID coefficients and the LSTM weights — are optimized using the metaheuristic optimization algorithms. A comprehensive comparative evaluation is conducted against a standard PID controller and a feedforward neural network-based PID (NN+PID) regulator, where the latter utilizes a three-layer perceptron to provide similar gain adjustments. All controllers are assessed under nominal operating conditions as well as under a mass variation to evaluate robustness. Performance metrics, including the Integral of Time-weighted Squared Error (ITSE), root mean square error, and maximum absolute error, are employed to quantify tracking accuracy and control effort. The experimental results demonstrate that the proposed LSTM+PID controller, with its inherent capability to model temporal dependencies in the error signal, consistently outperforms both the pure PID and the NN+PID counterparts in terms of tracking precision and robustness. Furthermore, the paper details the architectural configuration of the LSTM network, the formulation of the optimization problem, and the tuning parameters of the optimization algorithms that contribute to the superior performance of the LSTM+PID regulator. The findings substantiate the efficacy of integrating recurrent neural network structures within classical feedback loops for enhanced adaptive control in nonlinear dynamical systems.

Advances in intelligent transport systems are taking warehouse automation to a new level, but the widespread adoption of these technologies is being held back by the large number of businesses that are not adapted to robotization. In particular, this requires solving a number of problems in wheeled robot management systems. First, the presence of unauthorized persons or obstacles on the roadway disrupts the robustness of optimal multi-agent path finding algorithms. Second, the lack of co-design between the robot control system and the intermediate representation of the warehouse map, as well as the lack of uniform requirements for the interface between the planner and the enterprise's logistics, slow down the automation integration process. This paper proposes an architecture for a centralized system for controlling the movement of a group of pallet forklifts in warehouses that is designed to solve these problems. The system core is a reactive planner based on robot position reservation rules. A network model of robot interaction based on ROS2 is also presented. The system's performance was simulated on warehouse maps containing several hundred pallet locations, using several dozen robots. The effectiveness of the proposed software architecture was verified during its integration into the technological environment of an industrial enterprise as part of pilot industrial operation.

Weak and war-torn situations, including the situation in Afghanistan between 2020 and 2025, are challenging cases of delivering vital services, including healthcare, education, and humanitarian services. Security risks, infrastructural constraints, and socio-political infirmity tend to impede the conventional logistics and outreach choices. This paper examines how AI-controlled robotics and autonomous systems can complement humanitarian missions using the delivery of educational resources and provisions as International Non-Governmental Organizations (INGOs) in Afghanistan.

It used a mixed-methods research design. A semi-structured interview with 20 semi-structured interviews on 20 program managers of INGOs, field coordinators, and local stakeholders (20) were used to collect qualitative data to determine what operational bottlenecks, logistical factors, and strategic needs existed to integrate robots into the system. Quantitative simulations have been used to test the effectiveness of autonomous delivery systems, such as drones and mobile robotic units, in a setting with varying terrain and weather conditions, as well as security challenges. Intelligent navigation methods and reinforcement learning algorithms were simulated in order to maximize navigation, routing, and decision-making during complex and dynamic environmental conditions.

Findings show that AI-controlled robotic platforms may contribute to the extension, dependability, and performance of humanitarian logistics, especially in remote or hazardous areas. The combination of independent delivery systems allowed the delivery of educational resources to the displaced population more rapidly, and reduced the number of human contacts with security threats. Real-time sensor integration and adaptive reinforcement learning turned out to be very critical in changing environments, which is unpredictable, and enhancing the resilience of operations. Another point made in the study is related to the organizational and policy aspects, such as the coordination of stakeholders, the training of working personnel, and the ethical use of autonomous systems in sensitive scenarios.

The study will contribute to the intelligent robotics and humanitarian innovation fields as it exemplifies the practical implementation of AI-powered autonomous systems to the social good. The results highlight how human-robot cooperation in delicate environments could be used by everyone by highlighting the benefits of hybrid collaboration as a viable solution, and providing practical guidance on how the INGO practitioners, policymakers, and robotics researchers can create socially responsible, adaptive and operationally resilient AI systems.

Data-driven embodied AI is rapidly transitioning into a paradigm that scales training through massively parallel simulation, where GPU-accelerated simulators serve as the foundational data infrastructure. However, as computational throughput scales, the underlying trade-offs between parallel efficiency, physical fidelity, and execution determinism remain largely unexamined, hindering the development of reliable robot learning. In this paper, we expose the hidden limits of mainstream GPU-based robotic simulators (e.g., Isaac Lab, Genesis) by introducing GPUSimBench, which focuses on scalability, physical consistency, and computational determinism. First, GPUSimBench establishes a physical grounding evaluation with a controlled inclined-plane task, quantifying the distributional alignment between simulated dynamics and their real-world counterparts. Second, GPUSimBench benchmarks parallel scalability by measuring throughput and memory footprints across scaling environment counts. Crucially, beyond standard performance metrics, we unveil and quantify the inherent non-determinism introduced by GPU-batched execution, characterized by significant run-to-run and inter-environment variability even under identical initial conditions. Finally, we identify four empirical regimes of stochasticity within current simulator stacks, highlighting that unbounded scaling can compromise reproducibility without explicit constraints.

При запуске робота в реальной среде необходимо учитывать риск опасных последствий его действий. Классическое обучение с подкреплением (RL) характеризуется исследовательским поведением на этапе обучения, что в робототехнических системах может привести к повреждению оборудования или внешних объектов. В докладе рассматривается подход Safe RL, основанный на явном учёте ограничений безопасности. Такой подход позволяет формировать безопасную стратегию управления и одновременно существенно снизить количество опасных взаимодействий уже на этапе обучения робота

Перенос RL стратегий из симуляторов на реальных роботов является нетривиальной и трудоёмкой задачей. Её сложность вызвана большим разрывом между симуляцией и реальным миром (sim2real gap). Несоответствие симулируемой среды и реального мира влечёт за собой деградацию качества работы модели, что заставляет тщательно согласовывать физику объектов, их внешний вид, сенсорику робота, процедуры обработки данных и так далее. В данном докладе будут рассмотрены вызовы, возникающие при переносе модели из симулятора на реального робота, а также будут обсуждены методы уменьшения разрыва между симулятором и реальностью

В докладе рассмотрим способы интеграции LLM-агентов в робототехнические системы для задачи следования инструкции. Обсудим, как расширять возможности LLM с помощью внешних инструментов для взаимодействия с окружением и компонентами робота, а также подходы к представлению сцены в виде графа объектов и их отношений, позволяющие получать семантическую обратную связь для задач манипуляции. Отдельное внимание уделим обсуждению типового процесса управления роботом на уровне восприятия, планирования и исполнения действий, а также проблемам планирования длинных последовательностей действий, и их решениям с помощью интеграции классических PDDL подходов.

Современные VLA модели научились хорошо справляться с простыми задачами с полной наблюдаемостью, когда все объекты манипуляции находятся в поле зрения робота, а действия над ними не зависят от информации из прошлого. К сожалению, подобные условия редко встречаются в реальном мире, и для решения многих бытовых задач требуется наличие памяти. На лекции мы рассмотрим основные подходы к добавлению памяти в VLA, а также перспективные будущие направления.

Для участия необходимо заполнить анкету участника на официальном сайте конференции и подписаться на официальный канал мероприятия. Участие — бесплатное.

В анкете важно указать корректные ФИО (как в паспорте) — они будут использоваться для прохода на площадку. Для прохода на площадку — нужен паспорт.

Конференция пройдет 20–22 марта 2026 года в главном корпусе Московский физико-технический институт по адресу: г. Долгопрудный, Институтский переулок, 9.

Начало регистрации — в 9:00, старт программы — в 10:00. Завершение каждого дня — согласно расписанию конференции.

Подробное расписание будет опубликовано на данном сайте.

Адрес: г. Долгопрудный, Институтский переулок, 9.

1. Электричка (МЦД-1 / пригородные поезда)

• От Савёловского вокзала или платформы Тимирязевская до станции Новодачная или Долгопрудная (20–30 минут).
• От Новодачной — пешком 5–7 минут.
• От Долгопрудной — пешком 10–15 минут.

2. Метро + наземный транспорт

• От станции метро «Физтех» — городской транспорт до кампуса (5–10 минут).
• От метро «Речной вокзал» — автобус №368 до Долгопрудного.
• От метро «Алтуфьево» — маршрутные такси в направлении Долгопрудного.
• От метро «Сходненская» — автобус №472 до Долгопрудного.

Время в пути от метро — 20–50 минут в зависимости от маршрута и дорожной ситуации.

3. Такси или личный автомобиль
Поездка из центра Москвы занимает в среднем 30–50 минут без учёта пробок. Основной маршрут — по Дмитровскому шоссе в сторону Долгопрудного.

4. Из аэропортов Москвы

Шереметьево (SVO)
Ближайший к Долгопрудному аэропорт.
Такси — 20–35 минут.

Общественный транспорт

• Автобус №851 или №817 до станции метро «Речной вокзал» или «Планерная».
• Далее — метро и наземный транспорт в направлении Долгопрудного.

Домодедово (DME)
Такси — 1–1,5 часа.
Аэроэкспресс до Павелецкого вокзала, далее метро и электричка в сторону Долгопрудного.

Внуково (VKO)
Такси — 1–1,5 часа.
Аэроэкспресс до Киевского вокзала, далее метро и электричка.

Жуковский (ZIA)
Такси — 1,5–2 часа.
Электричка до Казанского вокзала, далее метро и электричка в сторону Долгопрудного.

Для прохода на площадку необходимо предъявить паспорт. ФИО в паспорте должно совпадать с данными, указанными в анкете участника.

Конференция предназначена для специалистов в области робототехники и искусственного интеллекта: разработчиков, инженеров, проектировщиков, студентов профильных вузов, а также представителей бизнеса.

Да, участие доступно для иногородних участников и является бесплатным.
При подаче заявки можно запросить размещение в общежитии МФТИ в г. Долгопрудный. Заявки на размещение принимаются до 10 марта 2026 года. Количество мест ограничено.

Оставить заявку

Да, будет организована запись всех докладов. Все зарегистрированные участники получат доступ к записям после завершения конференции. Также предусмотрена онлайн-трансляция.

Да, будет, укажите в анкете, что хотите присутствовать онлайн.

Вы можете воспользоваться столовой университета. Также рядом с кампусом расположены точки общественного питания.

В программе предусмотрены специальные сессии для общения участников, обмена контактами и профессионального знакомства в комфортном формате.

Необходимо направить заявку с указанием темы доклада, информации о себе (ФИО, должность, компания), краткого описания профессионального опыта и тезисов выступления.

Оставить заявку

Для обсуждения форматов сотрудничества необходимо оставить заявку организаторам по электронной почте.

Оставить заявку

Связаться с организаторами можно по электронной почте: mail@rosmetup.ru

Рядом с главным корпусом МФТИ предусмотрена парковочная зона с ограниченным количеством мест. Рекомендуется воспользоваться общественным транспортом, такси или каршерингом.