Есть ли у вас проблемы с многозадачностью? Сделайте себя киборгом с помощью мышечной стимуляции, чтобы автоматизировать повторяющиеся физические задачи, пока вы сосредотачиваетесь на чем-то другом. https://lab.plopes.org/#SplitBody

Orbit: унифицированная среда моделирования для интерактивных сред обучения роботов

https://github.com/isaac-sim/IsaacLab?tab=readme-ov-file

Документация: https://isaac-sim.github.io/IsaacLab/

В этом видео вы видите начало разработки 1X передовой системы искусственного интеллекта, которая объединяет простые задачи в сложные действия с помощью голосовых команд, обеспечивая беспрепятственное управление несколькими роботами и удаленное управление.

Это видео не содержит телеоперации, компьютерной графики, монтажных работ, ускорений видео или воспроизведения заданной траектории. Все это контролируется через нейронные сети.

https://www.1x.tech/discover/ai-update-voice-commands-chaining-tasks

OpenVLA:
модель Vision-Language-Action с открытым исходным кодом

https://openvla.github.io/

Вот самый похожий на жука робот, который может взлетать, парить, приземляться, ползать и даже переворачиваться

Насекомые уже давно являются источником вдохновения для роботов. Мир насекомых полон крошечных, полностью автономных, высокомобильных, энергоэффективных, мультимодальных, самовосстанавливающихся существ, и я мог бы продолжать и продолжать, но вы поняли: насекомые являются одновременно источником вдохновения и разочарования для робототехники, потому что очень сложно добиться, чтобы роботы обладали хоть сколько-нибудь способностями, близкими к насекомым.

Робототехники из Шанхайского университета Чонг Тонг продемонстрировали самого похожего на жука робота, которого я когда-либо видел.

Орнитоптер своими руками?

Среди летательных аппаратов особое место занимают махолёты (их ещё называют орнитоптерами). И если раньше из-за отсутствия достаточно мощных и компактных источников энергии единственным вариантом построения таких аппаратов у любителей было использование в качестве источника энергии скрученной резиновой ленты/лент (так называемые «модели с резиномотором») то теперь появилась возможность создавать такие устройства с электрическим приводом, о чём мы поговорим в этой статье. https://habr.com/ru/companies/ruvds/articles/822101/

Мы представляем Морфи — нового летающего робота, способного к адаптации и обладающего морфологическими возможностями, в руки которого встроены гибкие сенсорные суставы, что обеспечивает устойчивость к столкновениям на высоких скоростях https://www.autonomousrobotslab.com/

ИНСТРУМЕНТ ВИЗУАЛИЗАЦИИ И СРАВНЕНИЯ LIDAR: VELODYNE, OUSTER, HESAI, ROBOSENSE

Tangram Vision создали этот инструмент для сравнения некоторых избранных многолучевых лидаров. Этот инструмент может быть полезен для быстрого сравнения, если вы ищете датчик для своего проекта. https://www.tangramvision.com/resources/lidar-visualizer-comparison-tool

😎 Тщательно подобранный список библиотек и программного обеспечения по робототехнике

https://github.com/jslee02/awesome-robotics-libraries

Работа с YOLOV8. Детекция, сегментация, трекинг объектов, а также подготовка собственного датасета и обучение

Если вам кажется, что начать работу с нейросетями - это сложно, то этот материал для вас!

В статье подробно, с примерами кода, разберем основные функции базовой модели YOLOV8 - детекция, сегментация, трекинг объектов, а также создание собственного датасета и дообучение нейросети для работы с собственными объектами! https://habr.com/ru/articles/821971/

Обнаружение объектов в ROS2 с помощью PyTorch's Faster

В робототехнике обнаружение и идентификация объектов в окружающей среде имеет решающее значение. Эта способность позволяет роботам ориентироваться в пространстве, взаимодействовать с объектами и лучше понимать свое окружение. В этой записи блога мы рассмотрим, как настроить систему обнаружения объектов в ROS2 с использованием Faster R-CNN от PyTorch, современной модели для обнаружения объектов. https://medium.com/@kabilankb2003/object-detection-in-ros2-with-pytorchs-faster-bb54a65e47e0

Мы представляем автоматический конвейер генерации синтетических данных, который настраивает VLM на инструкции и потребности роботов. Используя конвейер, мы обучаем ROBOPOINT , VLM, который предсказывает возможности ключевых точек изображения с учетом языковых инструкций. По сравнению с альтернативными подходами наш метод не требует сбора данных в реальном мире или демонстрации человеком, что делает его гораздо более масштабируемым для различных сред и точек обзора. Кроме того, ROBOPOINT — это общая модель, которая позволяет использовать несколько приложений, таких как навигация робота, манипуляция и помощь дополненной реальности (AR). Наши эксперименты показывают, что ROBOPOINT превосходит современные VLM (GPT-4o) и методы визуальных подсказок (PIVOT) на 21,8% по точности прогнозирования пространственной доступности и на 30,5% по показателю успешности последующих задач.

https://robo-point.github.io/
https://arxiv.org/abs/2406.18915

Улучшение зрения роботов: саккады

https://habr.com/ru/companies/ua-hosting/articles/826376/

2 захвата SSG48 с открытым исходным кодом в режиме двусторонней телеуправления. Это по сути позволяет вам иметь подчиненный захват, который является тактильным устройством. Этот режим идеально подходит для телеуправления или имитационного обучения.
Подробнее здесь: https://github.com/PCrnjak/SSG-48-adaptive-electric-gripper