ЖУРНАЛ СТА №2/2026

Увеличение времени работы за счёт по- вышения ёмкости современных акку- муляторных батарей существенно рас- ширяет возможности мобильных плат- форм и повышает их автономность. Кроме того, робототехника выходит за рамки традиционных форм-факто- ров: появляются четвероногие роботы, гуманоидные системы, мобильные ма- нипуляторы и разные гибридные кон- струкции, что значительно расширяет спектр промышленных применений. В совокупности эти достижения позво- ляют роботам не только воспринимать и анализировать окружающую среду, но и эффективно взаимодействовать с ней с высоким уровнем точности и ав- тономии. Сквозная автоматизация Развитие перечисленных технологи- ческих возможностей привело к эво- люции робототехники от систем, осно- ванных на жёстко заданных правилах и явном программировании, к систе- мам, обучаемым на основе данных, приобретающим навыки как в реаль- ной среде, так и в процессе симуля- ционного обучения, и далее – к кон- текстно-ориентированным роботам, способным выполнять задачи авто- номно без предварительного обучения за счёт методов zero-shot learning (па- радигма машинного обучения, в кото- рой модель способна распознавать классы задач, ни одного примера кото- рых она не видела на этапе обучения). Прогресс во всех трёх направлениях радикально трансформирует про- изводственные процессы, расширяя границы автоматизации и охватывая задачи, ранее считавшиеся принципи- ально не поддающимися автоматиза- ции. Роботы переходят от выполнения строго заданных операций к гибкому поведению в условиях неопределённо- сти и вариативности. Ключевым аспектом этой трансфор- мации является не замещение одних подходов другими, а их сосуществова- ние. Все три класса робототехнических систем формируют взаимодополняю- щую экосистему, в рамках которой каждый подход находит своё примене- ние в зависимости от требований к за- даче, степени её изменчивости и эко- номической целесообразности. Такой комплексный подход позво- ляет выстраивать многоуровневые стратегии автоматизации, адаптиро- ванные к конкретным операционным условиям. По мере того как предприя- тия и логистические комплексы пере- ходят к более высокому уровню авто- матизации, будет формироваться гиб- ридная инфраструктура, включающая различные типы робототехнических систем и форм-факторов – от автоном- ных мобильных роботов (AMR) до гума- ноидных платформ. Их выбор будет определяться характером задач, эконо- мической эффективностью внедрения и особенностями производственных процессов. Три уровня роботизации: от правил к контексту Выбор типа роботизированной си- стемы напрямую зависит от характе- ристик производственного процесса (рис. 1). ● Роботы на основе правил продол- жают обеспечивать непревзойдён- ную точность и стабильное время цикла в структурированных и повто- ряющихся процессах. Такие системы широко применяются в автомобиле- строении и аналогичных производ- ствах, где критически важна после- довательность и низкая вариатив- ность (повторяемость) операций. Со- временные разработки в области ин- терфейсов программирования и ге- неративного ИИ (например, Siemens Industrial Copilot для AI-поддержки PLC-программирования) расширяют сферу их применения и упрощают внедрение. ● Роботы на основе обучения стано- вятся всё более востребованными в средах с переменными условиями. Используя передовые алгоритмы об- учения с подкреплением и симуля- ции, эти системы учатся как в вирту- альной, так и в реальной среде. Вир- туализация обучения сокращает за- СТА 2/2026 30 www.cta.ru ОБ ЗОРЫ Как интерпретировать рис. 1. Серый фон – задачи, которые уже есть возможность автоматизировать посред- ством имеющихся технологий. Голубой фон – возможность автоматиза- ции ожидается в ближайшем будущем. Характеристики процесса (ось X) опреде- ляются параметрами, такими как положе- ние объекта, его ориентация и размер, а так- же тем, работает ли система в известной или новой среде. ● Предсказуемые процессы: параметры либо постоянны, либо изменяются толь- ко в строго контролируемом диапазо- не, что позволяет выполнять операции детерминированно и воспроизводимо без необходимости адаптивного пове- дения. ● Непредсказуемые процессы: параметры значительно варьируются или не под- даются предварительному прогнозиро- ванию. ● Новые среды: сценарии, компоновки, объекты или задачи выходят за пределы обучающей выборки робота (например, другая производственная линия, незна- комые детали или изменённая конфигу- рация склада). ● Предсказуемые процессы и традиционное оборудование Непредсказуемые процессы и традиционное оборудование Непредсказуемые процессы и новое оборудование Правило-ориентированная роботизация (кодирование с AI-поддержкой) Роботизация, ориентированная на обучение (AI-обучение, основанное на симуляции) Контекстно- ориентированная роботизация (zero-shot learning) Характеристики процесса Потенциал автоматизации Рис. 1. Physical AI расширяет границы автоматизации в промышленности