🏆 Китай становится мировым центром робототехники

弟弟 серьёзно продвинулся в плане роботов. Достаточно посмотреть на два недавних примера.

★ В пекинском E‑Town открылся первый в мире «4S»‑магазин гуманоидных роботов - Robot Mall. По аналогии с автоиндустрией здесь объединены продажи, сервис, запчасти и обратная связь - не выставка на пару дней, а постоянная площадка, где можно прийти, потрогать, протестировать и купить готовые решения для дома и бизнеса. Запуск приурочен к старту World Robot Conference 2025 и показывает новый тренд: Китай строит не только R&D‑витрины, но и ритейл‑инфраструктуру для массового рынка, где производители учатся быстрее «доводить» продукты, а пользователи — быстрее внедрять их в практику. Тут же можно вспомнить и площадку обучения разнородных гуманоидных роботов: Humanoid Robot Kylin Training Ground в Шанхае; сейчас она вмещает свыше 100 роботов и нацелена на одновременную подготовку до 1000 к 2027 году.

★ Unitree Robotics выпустила новую модель своего робопса A2. Благодаря продвинутым сенсорам (фронтальный и тыловой 3D-лидары) и системе управления движением, A2 способен автономно проходить до 20 км без нагрузки, перемещаться со скоростью до 5 м/с и нести до 30 кг на себе (статическая грузоподъёмность — до 100 кг), при этом масса самой платформы около 37 кг. Такой набор характеристик делает модель одной из наиболее универсальных на рынке: A2 подходит как для инспекций промышленных объектов и выполнения логистических задач, так и для использования в аварийных или строительных сценариях

Оба кейса складываются в цельную картину: Китай одновременно наращивает потребительскую инфраструктуру (шоурумы, сервис, обслуживание) и активно выводит на рынок передовые модели роботов разных типов. Это ускоряет переход от прототипов к массовому применению, когда роботы не только впечатляют на сцене (привет, Илон Маск), но и стабильно работают на складе, в городе и на производстве.

#marketing #china #robots

🔦 Mountain Analogy for Gradient Descent in Deep Learning

🗻 The Mountain = Loss Surface
Imagine the loss function as a mountain landscape. The altitude at each point is the loss for a given set of weights and biases.

🛤 Weights & Biases (w, b) = Directions on the Mountain
Your position on the mountain depends on your current values of weights and biases as coordinates in the model parameters' space.

📈 The Gradient = Slope at Your Feet
At your location, the gradient tells you how steep the mountain is in every direction.
For each parameter (w, b), the gradient answers:
“Which way makes the loss increase or decrease most quickly if I nudge this parameter?”

👣 Gradient Descent = Walking Downhill
The raw gradient points you uphill (increasing loss).
To minimize loss, you step opposite the gradient—downhill.
The learning rate (lr) controls how big a step you take with each move.

🧑‍🔬 Summary Table

Mountain = Loss surface
Your location = Current weights & biases (w, b, ...)
Slope at your feet = Gradient (∂L/∂w, ∂L/∂b ...)
Walking downhill = Updating params (w = w - lr * grad)
Step size = Learning rate (lr)

➡️ Goal: Step by step, you use the gradient to guide your parameters (w, b) downhill to the lowest loss—the valley where the model is most accurate!

#pytorch #deep_learning

Appendix: What is the Model Parameter Space?

When we say “the mountain” in the analogy, we’re really talking about the parameter space of the model. That means, for every weight and bias in your network, you have one dimension in this space. If your model has two weights, then you can imagine this as a 2D space, but if you have hundreds or thousands of parameters, you’re in a space with that many dimensions. Every point in this space represents a specific set of values for all the model’s parameters.

When you update the model during training, you’re moving through this parameter space, trying to find the spot where the loss (the “height” of your mountain) is as low as possible.

More parameters do not mean “better resolution” the way it might in an image, but it does mean your model becomes much more flexible. It can represent much more complex patterns and functions. However, having too many parameters can be risky—you might fit the training data perfectly but fail to generalize to new, unseen data (this is called overfitting). The goal is to have enough parameters to model your data’s genuine patterns, but not so many that your model memorizes every tiny detail or noise.

In summary, the optimization process in deep learning is really a search through this multi-dimensional parameter space, adjusting all the weights and biases at once to minimize loss and build a good model.

#pytorch #deep_learning

Изучаю потихоньку курс Introduction to Deep Learning with PyTorch (кстати, очень рекомендую DataCamp). Как конструктор со стажем, привык в голове рисовать картинки, поэтому какие-то концепты обсуждаю с ИИ и выкладываю тут заметки. Не хватает опыта в абстрактном мышлении, чтобы запросто рассуждать о многомерных пространствах параметров и их оптимизации - требуется перевести на язык образов 😁

⚡️ What Are Activation Functions For?

Activation functions play a crucial role in neural networks: they add non-linearity to the architecture, unlocking the network’s ability to learn and represent complex patterns found in real-world data.

If you were to stack only linear layers (even many of them), the entire system remains a just single linear function—it would only be able to fit straight lines or flat planes, which isn’t nearly enough for most tasks. Activation functions transform the output of each layer in a non-linear way, which allows networks to fit curves, steps, and intricate boundaries—enabling deep learning models to capture subtle features and relationships in data.

By leveraging activation functions between layers, neural networks can build up multiple levels of abstraction. Each activation function “warps” the output, giving the network the flexibility to learn everything from simple thresholds up to very complex decision surfaces.

Here are a few popular activation functions, including their math:
☆ ReLU (Rectified Linear Unit): f(x) = max(0, x)
☆ Sigmoid: f(x) = 1 / (1 + exp(−x))
☆ Tanh: f(x) = (exp(x) − exp(−x)) / (exp(x) + exp(−x))
☆ Softmax: f(xᵢ) = exp(xᵢ) / sum(exp(xⱼ)), for every class output (used for multi-class classification)

For example, the sigmoid function “squashes” any real value into the (0, 1) range, making it ideal for outputs that represent probabilities.

In summary, activation functions are what make neural networks flexible, and able to learn just about any relationship in your data—not just straight lines.

#pytorch #deep_learning

🤳 Управление роботами с помощью MoveIt

MoveIt — это программная платформа для робототехники, которая упрощает управление манипуляторами.

Обзор архитектуры - concepts
Центральным элементом MoveIt является узел ROS под названием move_group. Он функционирует как интегратор, объединяя все компоненты системы и предоставляя пользователям интерфейс для управления роботом через топики и экшены (action) ROS.

Пользователи могут взаимодействовать с move_group тремя основными способами:
◦ C++: с помощью интерфейса move_group_interface.
◦ Python: через пакет moveit_commander.
◦ GUI: используя плагин для Rviz (визуализатор ROS).

Для своей работы move_group использует три вида конфигурации:
◦ URDF (Unified Robot Description Format): XML-файл, описывающий геометрию и кинематическую схему робота.
◦ SRDF (Semantic Robot Description Format): Файл, дополняющий URDF семантической информацией, например, определением групп суставов ("рука", "захват") или поз робота ("домой").
◦ Конфигурационные файлы MoveIt: YAML-файлы, содержащие настройки для планировщиков, кинематики, сенсоров и другие параметры.

Ключевые компоненты
◦ Planning Scene (Сцена планирования): Это внутреннее представление мира, которое включает в себя робота, известные объекты (препятствия) и прикрепленные к роботу предметы. MoveIt использует эту сцену для проверки столкновений.
◦ Motion Planning (Планирование движений): MoveIt использует плагины для подключения различных алгоритмов планирования (по умолчанию OMPL). Пользователь отправляет запрос на планирование, указывая целевую позу для манипулятора и ограничения (например, не сталкиваться с объектами). В ответ move_group генерирует траекторию движения, которая является безопасной и учитывает кинематические ограничения.
◦ Planning Request Adapters (Адаптеры запросов): Позволяют изменять запросы до планирования и обрабатывать результаты после. Например, они могут сглаживать траекторию или добавлять в нее временные параметры (скорости и ускорения).
◦ Kinematics (Кинематика): Для расчета положений суставов на основе заданной позы конечного звена (инверсная кинематика) MoveIt использует плагины. По умолчанию используется численный решатель, но пользователи могут подключить и аналитические решатели, например, сгенерированные с помощью IKFast.
◦ Collision Checking (Проверка столкновений): Для предотвращения столкновений робота с окружающей средой или с самим собой используется библиотека FCL. Оптимизировать этот процесс помогает Allowed Collision Matrix (ACM) — матрица, которая указывает, какие пары звеньев можно не проверять на столкновения (например, соседние звенья или те, что физически не могут столкнуться).

#ros2 #moveit

🏃‍♀ Международные игры гуманоидных роботов в Китае

Китай провёл первые «игры гуманоидных роботов», которые одновременно вдохновляют и отрезвляют. Роботы бегут, боксируют, играют в футбол — а затем спотыкаются, падают, перезапускаются. Формат соревнований подсвечивает то, что обычно не видно на промо-видео: насколько хрупки баланс, ориентация и устойчивость к неожиданностям в реальном мире. При этом именно публичные испытания на скорость, контакт и координацию делают шаг вперёд измеримым: видно, как выросла динамика движений, обработка сенсоров и общий темп прогресса в индустрии.

Продолжаем с интересом следить за новостями из Поднебесной.

#robotics #news #china