-

-

Обязанности: 1. Проведение научно-исследовательской работы для поиска алгоритмов в области обработки данных различных сенсоров (лидары, IMU, стереокамеры) в приложении к задачам мобильной роботехники. 2. Применение выбранных алгоритмов в разрабатываемых на языке Python функциях. 3. Разработка модулей расширения Python на языке C++. 4. Разработка иных специальных приложений. 5. Написание научно-технических отчётов. 6. Работа с Git. Текущие достижения: 1. Проведено исследование алгоритмов и реализован функционал представления контуров окружения в виде ломаных линий путём аппроксимации облаков точек, получаемых с плоского лидара. 2. Разработан генератор синтетических лидар-подобных облаков точек для тестирования алгоритмов обработки данных без физического лидара. 3. Разработаны несколько модулей расширения Python, ускоряющих обработку получаемых с сенсоров данных. 4. Разработано и развёрнуто на одноплатном компьютере Orange Pi приложение Python, реализующее управление электромобилем с помощью геймпада PlayStation. 5. Разработан Python-модуль для получения и обработки данных со стереокамеры Intel RealSense (на базе библиотеки pyrealsense2), используемой для расширения информации об окружении за счëт трëхмерных облаков точек, преобразуемых далее в плоские лидар-подобные облака с целью представления окружения в виде, указанном в п. 1.

Производственная и преддипломная практика для подготовки выпускной квалификационной работы на тему "Разработка системы объезда динамических препятствий для колёсного мобильного робота с применением глубокого обучения с подкреплением" Задачи: 1. Анализ алгоритмов глубокого обучения с подкреплением и выбор наиболее подходящего для задачи объезда препятствий. 2. Разработка графического симулятора на языке Python для реализации процесса обучения и визуализации. 3. Выбор архитектуры нейросети, её создание и обучение. Результаты: 1. В качестве алгоритма обучения выбран метод оптимизации ближайшей стратегии (PPO) как наиболее соответствующий решаемой задаче. 2. Реализован симулятор, включающий: - сцену в формате "вид сверху" с возможностью добавления статических и динамических препятствий; - агента (мобильный робот с дифференциальным приводом), управление движением которого осуществляется через команды линейной и угловой скоростей; - функционал симуляции сбора данных в виде облака точек плоским бортовым лидаром; - вспомогательный функционал составления карты помещения в результате первого исследования помещения агентом, а также детекции незнакомых для агента препятствий, на основе кластеризации получаемого облака и выделения неотмеченных на карте областей. 3. С использованием библиотеки PyTorch создана и обучена нейросетевая модель на основе полносвязных слоёв, которая: - принимает на вход данные с плоского лидара в виде координат полученных точек, текущие линейную и угловую скорость агента, полярные координаты целевой точки относительно агента; - формирует на выходе значение командных скоростей агента как текущее решение по движению в условиях наличия в поле зрения лидара препятствий. Выполненная ВКР на защите получила оценку "отлично"

Обязанности: - Разработка и отладка алгоритмов планирования траектории движения для промышленного робота-манипулятора на языке Python - Решение прямой и обратной задач кинематики - Формирование пакетов данных о траектории звеньев для последующей передачи в преобразователь частоты - Работа со слиянием ветвей разработки ПО в Git Результаты: На языке Python реализованы различные алгоритмы планирования траектории, проведëн их сравнительный анализ и выбран наиболее производительный

Участие в поисковой научно-исследовательской работе. Тема "Анализ и выбор аппаратного обеспечения для системы бесконтактной локализации и навигации формаций наземных мобильных роботов внутри помещений большой площади" Задачи: 1. Рассмотрение различных технологий локализации 2. Сравнение подходов по точности, применимости, стоимости и пр. 3. Обоснованное предложение по решению задач локализации 4. Проведение экспериментов на разработанном в лаборатории колёсном роботе с дифференциальным приводом (Arduino, Raspberry PI, коллекторные ДПТ, C++, Python) Полученные результаты: 1. Сформированное предложение на базе напольных RFID-меток. 2. Подготовленный полигон для испытаний. 3. Система робота с внедрёнными надонными считывателями. 4. Связь между роботом и ноутбуком для управления и получения сенсорной информации посредством Wi-Fi. В результате развёртывания системы локализации по напольным RFID-меткам с колёсной одометрией робота удалось добиться точности позиционирования до 3 см на 4 м круговой траектории. Работа по проекту прекращена в связи с желанием заказчика.

Обязанности: 1. Разработка приложений для управления коллаборативным манипулятором KUKA LBR iiwa R800 и анализ приложенной документации в рамках выполнения практических и научно-исследовательских работ - реализация коллаборативных свойств манипулятора без использования встроенного функционала на языке Java в среде KUKA Sunrise.Workbench. 2. Анализ научной литературы об организации управления коллаборативным манипулятором в т.ч. англоязычной. 3. Выполнение дипломной работы на тему "Алгоритмы управления коллаборативным роботом" (оценка - "отлично"). Решённые в работе задачи: - создание алгоритмов защиты от столкновений и ручного задания движения (обучение траектории при разгруженных двигателях и отработка с контролем столкновений) и их структурных схем для последующего внедрения в адаптивную систему управления абстрактным трёхзвенным коллаборативным манипулятором; - создание визуализированной математической модели вышеупомянутой системы управления в среде Xcos пакета Scilab с решением проблем неопределённостей в виде переменных моментов нагрузки и моментов инерции; - расчёт кинематики/динамики выбранного манипулятора; - подбор приводов; - настройка регуляторов; - разработка вспомогательного программного обеспечения для решения задач кинематики и планирования траектории на языке Java; - создание трёхмерной компьютерной модели манипулятора в среде Blender для демонстрации работы модели системы управления и вспомогательного ПО путём анимации выполнения прямолинейной траектории движения рабочего органа. Результат: По результатам ВКР получена математическая модель системы управления манипулятором с реализацией контроля столкновений и возможностью ручного обучения траектории