Нероботы

Учи ученого Hugging Face совместно со стартапом Pollen Robotics, приобретенным в 2025 году, открыла предзаказы на Microduck — небольшого робота-утку, которого можно самостоятельно учить новым движениям. Начинаем откладывать с зарплаты: стоит такая утка $399. За первые несколько дней разработчики получили более 10 тысяч предзаказов примерно на $4 млн. Microduck вышел ростом около 25 см и весом чуть меньше 800 г. Робот оснащен 15 электромоторами, камерой, микрофоном, динамиком, небольшим лидаром, Bluetooth, Wi-Fi и двумя датчиками движения. Вместо обычного клюва у него захват, которым он может подбирать небольшие предметы. На одном заряде утка может протянуть примерно час. Из коробки Microduck умеет ходить, садиться, пинать мяч, петь, кататься на роликах и самостоятельно вставать после падения. Дообучить робота можно самостоятельно в симуляторе MuJoCo. Модель многократно выполняет задачу, а алгоритм поощряет удачные попытки и постепенно находит подходящий способ движения. Новое поведение можно перенести на робота. SDK, симулятор и полный стек обучения с подкреплением уже лежат на GitHub. @anti_robots

Один мозг на всех Одна и та же команда для разных роботов всегда «выглядит» по-разному: у каждого свои конструкция, число суставов и способ управления движением. Чтобы устранить этот пробел и упростить обучение, команда Xiaomi Embodied Intelligence Team и Университета Макао разработала систему UCAG-P, которая позволяет одной VLA-модели учиться на данных от совершенно разных «тел», будь то робот-манипулятор или робот-гуманоид. Система описывает движение через две опорные точки, которые можно определить у роботов: конец манипулятора и центр захвата. Их траектория задается в трехмерном пространстве относительно камеры. Для человеческих демонстраций аналогами этих точек становятся запястье и середина между большим и указательным пальцами. Затем отдельный модуль преобразует такую универсальную траекторию в команды под конкретного робота. Для этого он учитывает его текущее состояние, кинематику и калибровку камеры. В обучении помогали 11 наборов данных — в сумме около 6370 часов демонстраций на 9 типах роботов. При этом на одну треть часов пришлись видео с человеческими руками. В симуляции одну и ту же обученную модель без дополнительной настройки проверили сразу на нескольких бенчмарках. В LIBERO она успешно выполнила 98,3% заданий, в RoboTwin для двуруких роботов — около 89%, а в усложненном LIBERO-Plus — 82%. Отдельно модель проверили на гуманоиде GR-1 с 29-ю степенями свободы — там результат составил 62%. Но полностью игнорировать душевную организацию конкретного робота пока не получается. Когда модель, обученную на двуруком ALOHA, без дополнительной настройки перенесли на робота ARX другой конструкции, успех выполнения задач упал до 35%. Отдельно UCAG-P проверили на манипуляторах Piper (они, кстати, на видео). Здесь уже использовали по 100 демонстраций для адаптации каждой задачи. Система помогла роботу успешно схватить круассан в 60% случаев против 20% у π0.5, открыть ящик — в 90% против 85%, а также разложить тарелки — в 75% против 65%. Хотя не все мы идеальны. UCAG-P пока не с первого раза справляется с определением положения кисти или калибровкой камеры. Вызывают сложности и открывание-закрывание дверей и ящиков. К слову, в скором времени ждем исходный код на GitHub. @anti_robots

Не верь чувствам своим Роботу можно внушить фантомное прикосновение, не взламывая ни контроллер, ни управляющую модель. Исследователи из Чжэцзянского университета и HKUST разработали GhostTac — бесконтактную атаку, которая подменяет показания тактильных сенсоров электромагнитным сигналом. Атака направлена в аналоговый тракт датчика. Наведённая помеха проходит через нелинейные компоненты усилителя и превращается из высокочастотного сигнала в постоянное смещение. Обычные фильтры отсекают исходную частоту, но пропускают результат: для программы он выглядит как настоящее давление на палец или ладонь робота. Синхронизировав сигнал с последовательным опросом ячеек сенсора, можно управлять не только силой, но и местом, площадью и движением поддельного «касания». GhostTac проверили на 15 датчиках восьми производителей, включая десять отдельных модулей и две роботизированные кисти. Показания удалось подменить у всех устройств, а 13 из 15 сенсоров получилось полностью вывести из строя. В демонстрациях атака заставляла кисть слишком сильно сжимать бумажный стакан и силиконовую руку либо, наоборот, ронять стеклянную бутылку и медицинское устройство. Роботу также подделывали проскальзывание предмета и заставляли классификатор путать четыре материала. Эти сценарии стабильно воспроизводились в десяти испытаниях. С направленной антенной исследователи смогли заставить робота сжимать бутылку с расстояния до трёх метров. Сигнал сработал также через окно, деревянную дверь и стену. То есть бесконтактная атака здесь вполне буквально проходит сквозь стены. Пока для неё нужны заранее подобранные параметры и заметное радиооборудование. Но сама уязвимость системная: робот доверяет цифровому показанию, не подозревая, что «прикосновение» возникло внутри его собственной электроники. Работа принята на конференцию ACM CCS 2026. @anti_robots

Олимпиада по стирке Китайским гуманоидам решили устроить соревнования, которые чем-то напоминают обычный выходной дома. В рамках вторых Всемирных игр гуманоидных роботов участников отправляли в реальные гостиницы, библиотеки, магазины и квартиры. В соревнованиях приняли участие 38 команд, в том числе китайская X-Humanoid. В домашнем сценарии у робота было 30 минут на изнуряющую смену дела по хозяйству. Ему требовалось расставить вещи в гостиной, открыть дверь в спальню и сложить одежду, затем достать вещи из корзины, загрузить их в стирку и закрыть дверцу. После этого — перенести белье на балкон и развесить его. Уже здесь проверялись навигация, распознавание предметов, работа с дверьми и мелкая моторика. За навыки робот мог получить 300 баллов, при этом 55 из них оставили на случайную задачу. Посреди работы гуманоид-спортсмен слышал голосовую команду о приехавшей посылке: он должен был распознать ее, прервать текущее занятие, сходить за ней к двери, положить в указанном месте, а потом вспомнить, чем занимался, и вернуться к уборке. При этом помощь зала никто не отменял. Но прохождение сценария с дистанционным оператором приносило более скромные баллы: итоговый результат умножался на коэффициент 0,5. Полностью автономный робот получал коэффициент 1. Чтобы уж наверняка сорвать куш, некоторые участники установили камеры на голове и руках робота, чтобы собирать изображения сцены, параметры предметов и данные о движениях. Для обучения одной из систем использовали сразу пять источников: интернет-видео, движения людей, симуляции, телеуправление и данные, которые робот получал во время реальных тестов. Некоторые разработчики также добавили механизм постоянного обучения, чтобы машина могла корректировать движения даже по мере износа собственных суставов. @anti_robots