Робототехника

Система управления ТНПА автоматизирована, что позволит оператору минимально участвовать в выполнении рутинных функций: удержания требуемого отстояния от грунта, коридора глубины, требуемого курса или работы в режиме динамического позиционирования. Система технического зрения с камерами высокого разрешения и сверхмощными светодиодными светильниками позволяет оператору выполнять точные работы в условиях низкой освещенности глубин Мирового океана.

Масса ТНПА составляет 5 тонн, что соответствует зарубежным аналогам. Габариты всех составных элементов комплекса (кроме спускоподъемного комплекса) в транспортировочном положении не превышают габариты стандартного 20-футового контейнера.

В "Рубине" также добавляют, что разработка технического облика выполнена со 100% использованием 3D-моделирования, что существенно ускоряет процесс изготовления аппарата. Для производства силовых конструкций выбраны нержавеющие стали, доступные к свободной покупке на рынке металлопроката и не требующие специальной поставки. Фундаменты прочных контейнеров и навесного оборудования изготовляются из пластиков и композиционных материалов, что снижает их массу. Совокупность применения сталей, пластиков и композиционных материалов в ТНПА приводит к удешевлению комплекса и возможности его быстрого производства.

Отметим, в декабре 2020 года концепт-проект комплекса с ТНПА рабочего класса со схожими характеристиками представило бюро "Малахит".

"В настоящее время в РФ отсутствует специальное законодательное регулирование, учитывающее специфику применения технологий робототехники. В то же время анализ мирового опыта показывает, что в целом ряде стран уже существует первичное правовое регулирование применения робототехники. Законопроект создает основы правового регулирования новых общественных отношений, формирующихся в связи с применением систем робототехники, имеющих преимущественно стимулирующий характер", - говорится в пояснительной записке.

Законопроект определяет робота как продукт достижений цифровых технологий (робототехническое устройство, комплекс, система), состоящий из двух или более составных частей, управляемый средствами заложенной в него компьютерной программы и способный как к выполнению заранее запрограммированных человеком действий, так и к автономному решению задач. Сенатор предлагает выделить два вида роботов: гражданские и служебные. "Гражданский робот - робот, деятельность которого направлена на реализацию частных интересов, оборот которого регулируется гражданским законодательством. Служебный робот - робот, деятельность которого направлена на реализацию интересов государства и общества, вовлеченный в сферу деятельности институтов публичной власти", - отмечается в законопроекте.

Гражданские роботы подразделяются на промышленных, сервисных, медицинских, образовательных, научных роботов. Служебные - на военных (оборона страны и безопасности государства) и правоохранительных (охрана общественного порядка) роботов. Согласно законопроекту, правовое регулирование отношений в сфере оборота роботов, их составных частей (модулей) основывается на следующих принципах: благополучие человека и гражданина, безопасность личности, общества и государства, регуляторное воздействие, основанное на риск-ориентированном подходе, безопасность робототехнических технологий, открытость информации о технологиях робототехники.

Классы опасности роботов
Как уточняется в документе, роботы, а также их составные части в зависимости от степени опасности причинения вреда охраняемым законом интересам личности, общества и государства подразделяются на четыре класса опасности: первый класс (высокой опасности), второй класс (средней опасности), третий класс (низкой опасности), четвертый класс (неопасные).

"Критерии отнесения роботов, их составных частей (модулей) к I-IV классам опасности по способности причинения вреда охраняемым законом интересам личности, общества и государства устанавливаются правительством РФ по представлению федерального органа исполнительной власти, уполномоченного в сфере оборота роботов", - говорится в пояснительной записке.

Роботы первого, второго и третьего классов предлагается относить к источникам повышенной опасности. К таким роботам, если законом и иными нормативными правовыми актами не установлено иное, применяются общие положения гражданского законодательства об ответственности за вред, "причиненный деятельностью, создающей повышенную опасность для окружающих".

Кутепов также предлагает создать государственный кадастр моделей роботов и их составных частей, который станет официальным сборником, "содержащим систематизированные сведения о моделях роботов, разрешенных к обороту на территории РФ". Роботы, которые являются источником повышенной опасности, подлежат, согласно законопроекту, обязательному внесению в кадастр, иначе запрещается их оборот. Также в случае принятия законопроекта будет создан государственный реестр субъектов, осуществляющих деятельность в сфере оборота роботов и их модулей. Его предлагается создать в целях регистрации и учета государственных военизированных организаций, госорганов, государственных учреждений, органов местного самоуправления, юридических лиц, индивидуальных предпринимателей, осуществляющих разработку, производство, испытания, установку, монтаж, техническое обслуживание, ремонт, утилизацию, сбыт, учет, хранение, перевозку, транспортирование, изъятие, уничтожение, а также экспорт и импорт роботов - источников повышенной опасности.

Господдержка
Государственная поддержка юридических лиц и индивидуальных предпринимателей в сфере оборота роботов, согласно документу, может осуществляться в следующих формах: предоставление льгот по уплате налогов, сборов, таможенных платежей, предоставление образовательных услуг, информационной поддержки, консультационной поддержки, содействие в формировании проектной документации, формирование спроса на роботов, финансового обеспечение (бюджетные инвестиции, субсидии, гранты, кредиты, займы, гарантии, взносы в уставный капитал), реализация целевых программ, подпрограмм, поддержка экспорта, обеспечение инфраструктуры.

Законопроект гарантирует, что имущество юридических лиц и индивидуальных предпринимателей, которые осуществляют деятельность по разработке, производству, испытанию, установке, монтажу, техническому обслуживанию, ремонту и утилизации роботов, не подлежит принудительному изъятию, в том числе национализации и реквизиции (изъятие имущества с выплатой собственнику его стоимости).

Регулирование отношений в сфере оборота роботов
Разработанный в Совете Федерации комплексный законопроект о правовом регулировании отношений в сфере оборота роботов предусматривает запрет на такой оборот на территории РФ, если работы способны самостоятельно принимать решения.

Глава комитета Совета Федерации по экономической политике Андрей Кутепов разработал комплексный законопроект о правовом регулировании отношений в сфере оборота роботов, который, в частности, дает определение понятию "робот", устанавливает классы опасности и классификацию роботов, а также закрепляет принципы взаимоотношений робота и человека.

"На территории Российской Федерации запрещается оборот роботов, обладающих возможностью самостоятельного принятия решений и способных действовать на основании самостоятельно сформулированного поведенческого алгоритма, которым намеренно приданы свойства для обеспечения их применения с использованием оружия, его основных частей, боеприпасов, взрывчатых веществ и взрывных устройств либо иного вооружения", - говорится в законопроекте.

Также, согласно документу, запрещается оборот роботов, которым "намеренно приданы свойства, обеспечивающие их применение с использованием оружия, боеприпасов, взрывчатых веществ и взрывных устройств либо иного вооружения, иной военной техники, химического, биологического, токсинного, а также другого вида оружия массового поражения". Это также касается роботов, созданных для целей совершения преступлений.

Законопроект выделяет два типа роботов в зависимости от характера и степени участия человека в их функционировании: управляемые и автономные. Как отмечает сенатор, указанные ограничения в их обороте вводятся "в целях обеспечения обороны страны и безопасности государства, охраны общественного порядка и обеспечения общественной безопасности".
ТАСС

Учимся размышлять
Примерно десять лет назад с обучением хорошо справлялся только мозг. Именно структура мозга отчасти вдохновила учёных-компьютерщиков на разработку  самых популярных моделей искусственного обучения — глубоких нейронных сетей.

Когда хочется, чтобы сеть считывала цифру 4, вы заставляете первый слой нейронов представлять необработанное изображение этой цифры, возможно, с сохранением оттенка каждого пикселя как значения соответствующего нейрона. Затем сеть «размышляет» — перемещает слой за слоем, умножает значения нейронов на синаптические веса, чтобы заполнить следующий слой. Нейрон с наибольшим значением в последнем слое указывает на ответ сети: если это второй нейрон, сеть предполагает, что увидела цифру 2.

Чтобы научить сеть делать разумные предположения, алгоритм работает и в обратном направлении. После каждого испытания он вычисляет разницу между предположением и правильным ответом. В примере это представлено большим значением четвёртого нейрона последнего слоя и небольшим значениями в других местах. Затем алгоритм  слой за слоем проходит через сеть и вычисляет, как настроить веса, чтобы по мере необходимости значения конечных нейронов увеличивались или уменьшались. Эта процедура известна как обратное распространение, именно она лежит в основе глубокого обучения.

Спустя множество повторений «угадай-и-подгони» обратное распространение направляет веса к вариациям чисел, которые через каскад инициированных изображением умножений выдают записанную цифру.

Но по сравнению с происходящим в мозгу цифровое обучение в искусственных нейросетях выглядит крайне неэффективной. Ребёнок потребляет меньше 2000 калорий в день, и за несколько лет учится говорить, читать, играть и ещё много чему. При столь ограниченной диете, чтобы научиться общаться, революционной GPT-3 потребуется 1000 лет.

На взгляд физика большая цифровая нейросеть выполняет слишком много математических операций: гиганты обрабатывают более полутриллиона чисел — Вселенная же постоянно выполняет задачи далеко за пределами скудных вычислительных возможностей компьютеров. В комнате могут перемещаться триллионы триллионов молекул воздуха и это — невозможное для компьютера количество движущихся частей. Он не отследит столкновения в полноценной симуляции, а ведь у самого воздуха нет проблем с тем, как себя вести.

Наша задача — построить физические системы, естественным образом реализующие оба необходимых ИИ процесса:
- «мышление», связанное, например, с классификацией изображений;
- «обучение», необходимое для правильной классификации изображений.

Система, которая справится с этими задачами, будет использовать способность Вселенной действовать математически, не занимаясь математикой на самом деле.

«Мы не вычисляем 3,532 [знак умножения] 1,567 или что-то в этом роде, — рассказывает Селье. — Это делается неявно, просто по законам физики напрямую».

Размышления
МакМахон и его коллеги добились прогресса в «мыслительной» части головоломки.
Создавая лабораторию в Корнелле в последние перед пандемией месяцы, МакМахон обдумывал любопытное открытие. Многие годы самые эффективные нейросети распознавания изображений становились всё глубже, иными словами, сети с большим количеством слоёв лучше справляются с набором пикселей и маркировкой, (например, «пудель»). Эта тенденция вдохновила математиков на изучение преобразования из пикселей в «пуделя», которого достигают сети, и в 2017 году несколько групп предложили, что сети действуют как приближённые версии гладкой математической функции. Математическая функция преобразует входные данные (часто это положение точки вдоль оси x) в выходные — значение y или высоту кривой в данной точке. В нейросети определённого типа, чем больше слоёв, тем лучше по той причине, что функция приближается к некоей идеальной кривой.

Исследование заставило МакМахона задуматься: возможно, с плавно меняющейся физической системой можно обойти присущую цифровому подходу блочность.

Здесь хитрость — найти способ приручить сложную систему, адаптировать её поведение с помощью обучения. И МакМахон с командой выбрали титановую пластину, потому что многочисленные модели её вибраций смешивают входящий звук замысловатым образом. Учёные ввели в систему звук, кодирующий входное изображение — написанную от руки цифру 6. Другой звук представляет синаптические веса; пики и провалы, необходимые для удара по титановой пластине в нужный момент. Устройство объединяет звуки и даёт ответ — например, новый звук, самый громкий на шестой миллисекунде, что соответствует цифре «6».

Группа также реализовала схему в оптической системе, где входное изображение и веса кодируются двумя лучами света, которые смешиваются с помощью кристалла, и в электронной схеме, способной аналогичным образом перетасовывать входные данные. В принципе, подойдёт любая система с «византийским» [произвольным] поведением, хотя исследователи считают, что оптическая система имеет особые перспективы. Мало того, что кристалл может очень быстро смешивать свет, свет также содержит много данных о мире. МакМахон воображает, что миниатюрные версии его оптической нейронной сети будут служить глазами беспилотных автомобилей, определять знаки остановки и пешеходов до передачи этой информации на компьютерный чип автомобиля, как сетчатка выполняет простую обработку падающего света.

Однако вот ахиллесова пята этих систем: обучение требует вернуться в цифровой мир. Обратное распространение включает запуск нейронной сети в обратном направлении, но пластины и кристаллы разделяют звуки и свет не сразу. Поэтому группа построила цифровую модель каждой физической системы. Развернув эти модели на ноутбуке, они могли использовать алгоритм обратного распространения ошибки, чтобы рассчитать, как скорректировать веса для получения точного ответа.

Благодаря обучению тарелка научилась правильно классифицировать рукописные цифры в 87% случаев. Схема и лазер достигли точности 93 и 97% соответственно. Результаты показали, что «с помощью обратного распространения можно обучать не только стандартные нейронные сети», — рассказывает Жюли Гролье, физик из Французского национального центра научных исследований (CNRS). — Это красиво».

Дрожащая металлическая пластина ещё не приблизила вычисления к шокирующей эффективности мозга или даже к скорости цифровых нейросетей. Но МакМахон считает свои устройства поразительным, хотя скромным, доказательством, что для размышлений вам не нужен мозг или компьютерный чип. «Любая физическая система может быть нейронной сетью», — считает он.

Обучение
Есть много идей о другой половине головоломки: как заставить систему учиться самостоятельно.
Физик из Института науки о свете им. Макса Планка в Германии Флориан Марквардт считает, что один из вариантов — построить машину, работающую в обратном направлении. В прошлом году он и его коллега предложили физический аналог алгоритма обратного распространения ошибки, который способен работать в такой системе.

В цифровом виде они смоделировали лазерную установку, похожую на установку МакМахона, с регулируемыми весами, закодированными в световой волне, которая смешивается с другой входной волной и кодирует, к примеру, изображение. Они подталкивают вывод, приближая его к правильному ответу, и для разделения волн используют оптические компоненты, обращая процесс вспять. «Магия, — рассказывает Марквардт, —  в том, что, когда вы ещё раз пробуете устройство с тем же входом, [выход] имеет тенденцию быть ближе к тому, где хочется его видеть». Затем они сотрудничают с экспериментаторами для создания такой системы.

Но сосредоточение внимания на работающих в обратном направлении системах ограничивает возможности, поэтому другие исследователи полностью отказываются от обратного распространения. Их воодушевляет знание о том, что мозг обучается другим способом.
Нейрон А общается с нейроном Б, «но это только в одну сторону».
В 2017 году Селье и специалист по информатике из Университета Монреаля Йошуа Бенжио разработали метод однонаправленного обучения — равновесное распространение. Представьте сеть действующих как нейроны стрелок, направление которых указывает на 0 или 1. Эти стрелки соединяются в сетку пружинами — синаптическими весами. Чем слабее пружина, тем слабее стремятся совпасть направлением связанные стрелки.

Вы крутите в самом левом ряду, чтобы они отражали пиксели рукописной цифры. Держите их неподвижными, пока возмущение распространяется по ним и переворачивают другие стрелки. Когда поворачивание прекращается, крайние правые стрелки дают ответ от нейросети.

Необходимо отметить, что не нужно тренировать эту систему, переворачивать стрелки. Вы соединяете другой набор стрелок, которые показывают правильный ответ, вдоль нижней части сети; эти перевёрнутые стрелки в верхнем наборе, и вся сетка приходит в новое равновесие. Новая ориентация стрелок сравнивается со старой и каждая пружина затягивается или ослабляется соответствующим образом. В ходе многих испытаний пружины приобретают более подходящее натяжение — и это, как показали Селье и Бенжио, эквивалентно обратному распространению.

«Считалось, что между физическими нейронными сетями и обратным распространением нет никакой возможной связи, — рассказывает Гролье. — Совсем недавно мнение изменилось, и это очень интересно».

Первая работа по равновесному распространению была полностью теоретической. Но в предстоящей публикации Гролье и физик из CNRS Жереми Лейдевант описывают выполнение алгоритма на созданной компанией D-Wave машине, называемой квантовым отжигом. Аппарат имеет сеть из тысяч взаимодействующих сверхпроводников, которые могут действовать как связанные пружинами стрелки и естественным образом рассчитывать, как должны обновляться «пружинки». Однако система не может обновлять эти синаптические веса автоматически.

Круг замыкается
По крайней мере одна команда построила электронную схему, которая выполняет всю тяжёлую работу — размышляет, обучается и обновляет веса — с помощью физики. «Нам удалось замкнуть цикл для небольшой системы, — рассказал физик из Пенсильванского университета Сэм Диллаву.

Цель Диллаву и его группы — имитировать мозг, в буквальном смысле разумную субстанцию, то есть относительно однородную систему, которая обучается без управляющей действиями единой структуры. «Каждый нейрон занимается своим делом», — говорит он.

С этой целью они построили самообучающуюся схему, в которой переменные резисторы действуют как синаптические веса, а нейроны — это напряжения между резисторами. Чтобы классифицировать вход, он переводит данные в напряжения, которые применяются к нескольким узлам. Ток течёт по цепи в поисках путей, рассеивающих как можно меньше энергии, и изменяет напряжение по мере стабилизации. Ответ от сети — напряжение на указанных выходных узлах.

Главное нововведение вступает в игру на сложном этапе обучения, для которого учёные разработали схему, аналогичную равновесному распространению, — парное обучение. Когда одна схема получает данные и «придумывает» предположение, идентичная ей вторая схема начинает с правильного ответа и включает его в своё поведение. Соединяющая каждую пару резисторов электроника автоматически сравнивает их значения и настраивает конфигурацию точнее.

Прошлым летом группа описала свою элементарную схему в препринте. Учёные показали, что она может научиться различать три типа цветов с точностью 95%. Теперь команда работает над ускоренным и более функциональным устройством.