«У Института уже есть практический опыт создания систем автономного транспорта. Совместно с коллегами из МАДИ специалисты МФТИ разработали и испытали беспилотный автомобиль на базе электрической «Газели», для которого команда Физтеха создавала систему высокоточной локализации и ряд алгоритмов автономного управления. Решение прошло серию испытаний, а накопленные технологии и программные модули теперь могут быть адаптированы для более сложной задачи — беспилотных пассажирских перевозок»,
— заведующий лабораторией интеллектуального транспорта ЦКМ Дмитрий Юдин.

Про развитие линейки RMT-моделей в кооперации с коллегами из MBUZAI. Работа с историей — и она того стоила.

Про ремпромпт VLA-моделей. Работа успела отметиться на воркшопе ICML и с первого раза прошла на конференцию!

Про смещённость знаний в VLA-моделях.

Про мультиагентную эстафету для решения задач олимпиадного программирования.

Foxglove.dev — аналог Rerun.io для визуализации и отладки робототехнических систем. Удобный инструмент, чтобы смотреть данные с сенсоров в реальном времени и не терять время на самописные дашборды.
🔗 foxglove.dev | docs.foxglove.dev

Агентная архитектура с потоками данных. В 10–17 раз быстрее ROS2 благодаря zero-copy shared memory, 4 паттерна коммуникации и production-ready fault tolerance. Если вы устали от ROS — присмотритесь.
🔗 dora-rs.ai | github.com/dora-rs/dora

Независимая реализация метода для автоматической генерации академических иллюстраций. Помогает быстро сделать схему метода, не тратя часы на визуализацию вручную.
🔗 github.com/llmsresearch/paperbanana | arxiv.org/abs/2601.23265

Adapting Generalist Robot Policies with Semantic Reinforcement Learning — для тех, кто следит за развитием VLA-моделей и обобщением политик.
🔗 arxiv.org/abs/2606.31958

Experience Graphs: The Data Foundation for Self-Improving Agents. Как структурировать опыт агента, чтобы он учился на своих же действиях.
🔗 arxiv.org/abs/2606.29823

Фундаментальная модель для генерации 6-DoF-позы схвата по геометрии объекта. Умеет адаптироваться к новым захватам через описание их рабочего объёма без отдельного переобучения. Ранжирует кандидатов по вероятности успешного схвата, используя опыт на миллиардах симуляционных примеров для тысяч объектов.

Быстрый тест на наших любимых объектах выдаёт вполне разумные позы для схвата.

Универсальная модель мира, обусловленная последовательностью действий. Представляет действия робота в виде движения пикселей (action flow) — это позволяет моделировать последствия действий в разных воплощениях, задачах и средах.

Результаты впечатляют: на 90,4% меньшая погрешность при движении робота и на 60,2% — при движении объектов по сравнению с Cosmos-2.5.

Авторы взяли датасет LIBERO-Spatial и построили для него графы пространственных отношений на основе состояния симулятора и геометрических эвристик. На полученных графах сравнили разные VLM по качеству предсказания триплетов. Также исследовали влияние графов на success rate VLA: во время evaluation графы генерировали из текущего состояния симулятора и добавляли к инструкции VLA, чтобы проверить, помогают ли они в задачах манипуляции.

Исследователи из Generalist представили GEN-1.5 — модель, которая способна обучаться новым физическим навыкам по одной демонстрации, без дообучения и градиентных обновлений.

Ключевые фишки:
— Physical prompting: в контекст передаётся полноценная сенсомоторная демонстрация (визуальные наблюдения, состояния робота и действия) — аналог in-context prompt для LLM.
— Масштаб претрейна: модель обучалась более 8 месяцев на большом объёме данных физического взаимодействия. Способность к one-shot in-context learning появилась как emergent property, а не была заложена в архитектуру.

Веса и pipeline пока закрыты, но blogpost уже есть.

Тоже in-context imitation learning по сенсомоторным демонстрациям, но с дополнительным visual reasoning: модель сначала предсказывает промежуточную визуальную траекторию движения робота в image space, а затем генерирует low-level actions. Reasoning выступает связующим звеном между наблюдением и действием.

Работа принята на IROS 2026, есть статья на arXiv и открытый код — в отличие от GEN-1.5, её уже можно изучать и воспроизводить.

Обсуждал саму проблему определения сознания и предлагал искать не одно универсальное определение, а набор его признаков. Один из центральных тезисов состоял в том, что сознание можно рассматривать как механизм социального взаимодействия, а его отдельные предпосылки можно искать и у животных. В конце лекции эта проблема связывалась и с перспективой появления сознательных систем искусственного интеллекта.

Рассматривал различие между успешным решением интеллектуальных задач и настоящим пониманием. По его мнению, одних языковых моделей недостаточно для сильного ИИ: такая система должна быть автономным агентом, взаимодействовать со средой, формировать собственную картину мира и иметь собственные цели.

На примерах дельфинов, птиц и приматов она показывала, что животная коммуникация гораздо сложнее, чем принято считать: у некоторых видов есть индивидуальные «имена», они способны понимать человеческую речь и стоить достаточно сложные предложения. Поэтому граница между человеческим языком и коммуникацией других видов оказывается не такой однозначной, как долгое время предполагалось.

Представил гиперсетевую теорию высших функций мозга и понятие когнитома. В этой концепции сознание и субъективность возникают не в отдельной области мозга, а как системное свойство сети взаимодействующих нейронных ансамблей и следов индивидуального опыта. Ключевая идея состоит в том, что отдельные нейронные элементы и локальные сети объединяются в более сложную самоорганизующуюся архитектуру, способную формировать целостный субъективный опыт. Такой подход позволяет рассматривать сознание не как функцию одного «центра», а как результат организации и взаимодействия множества распределённых процессов в мозге.

Представил работу «Математически точный искусственный интеллект, основанный на моделях когнитивных процессов». Его подход строится вокруг идеи, что мозг обнаруживает причинные связи во внешнем мире и использует их для прогнозирования. Автор формализует так называемые максимально специфические вероятностные правила и показывает, как из них можно получать непротиворечивые предсказания, устойчивые категории и модели восприятия и сознания.

Рассказывала о межрегиональных взаимодействиях мозга при пространственном обучении и навигации у крыс. В эксперименте одновременно регистрировали активность гиппокампа, префронтальной коры и таламического ядра reuniens; переход от исследования среды к целенаправленной навигации сопровождался усилением бета-синхронизации между гиппокампом и reuniens, а при навигационных ошибках эта связь ослабевала. Практически полная версия этой работы опубликована как препринт Hippocampus-reuniens beta coupling supports goal-directed spatial navigation, где показано, что сила этой связи растёт по мере повышения эффективности навигации.

Исследовали, как управлять направлением передачи активности между популяциями импульсных нейронов. Они моделировали LIF-нейроны и с помощью спектральных методов, включая partial directed coherence, оценивали, в каком направлении распространяется информация между популяциями. В опубликованной работе авторы показывают, что изменение режима внешнего воздействия и даже уровня фонового шума позволяет менять или инвертировать направление информационного потока в импульсной сети.