Где-то в глубинах робототехнической лаборатории EPFL человек толкает деревянный блок с конвейера на верстак, ставит его на стол, отходит и бросает в корзину. После этой единственной демонстрации три совершенно разных промышленных робота (каждый со своей геометрией суставов и своими физическими ограничениями) повторяют те же действия. При этом никто не переписал ни строчки кода.
Но в реальном цехе такое пока не работает: при замене робота или модели программу пересобирают с нуля. При этом оплачивается работа интеграторов, время простоя. Минута незапланированной остановки на наладке, по отраслевым оценкам, обходится производству от тысячи до 10 тысяч долларов, а сам процесс может растянуться на 2–4 недели сверх плана.
Швейцарские инженеры из EPFL утверждают, что задачу можно закрыть, и, главное, намеренно делают это без AI, выступая против главного технологического мейнстрима 2026 года.
Разберемся, как это работает, во сколько обходится и почему в этой сфере математика обыграла нейросети.
Мертвая зона
Любой робот-манипулятор — это, по сути, цепочка из жестких звеньев и сочленений. Пять, шесть, семь степеней свободы. И чем больше у него суставов, чем свободнее они поворачиваются, тем шире пространство возможных движений. Но внутри этого пространства есть точки, в которых математика управления может поломаться. К примеру, если разные комбинации углов суставов дают одно и то же положение «руки», система может перестать понимать, как двигаться дальше.
В робототехнике это называется сингулярностью, или кинематической мертвой зоной.
Сингулярность представляет собой обычное заклинивание: робот либо застынет на месте, либо пройдет траекторию с дикой скоростью до предельного значения. Если когда-то использовали стабилизатор для съемки, вам это очень знакомо.
Проблему решают по классике, через отступ.
Отступ (он же офсет) в робототехнике — это заданное смещение между реальной и расчетной точкой, траекторией или объектом для точности и безопасности движения
Программист закладывает в траекторию запасы, обходы, ограничения по углам. Каждый такой запас рассчитывается для конкретного робота: под его геометрию, длины звеньев и физические пределы.
Но в решении есть одна серьезная проблема: отступ никак нельзя масштабировать, поэтому у двух условных машин разные длины звеньев, смещения осей и допустимые углы поворота. Сингулярности у каждой модели тоже расположены в разных точках пространства.
Апробированный на одном роботе навык, технически не может работать на другом просто из-за разной физики. Это примерно как заставить гимнаста с короткими руками повторить трюк гимнаста с длинными: вроде задача та же, но биомеханика другая.
Ну а универсальная методика управления и калибровки пока остается на уровне теории, потому что между движением и конкретным куском металла всегда стоит посредник — кинематика.
Скупой роботовладелец платит дважды
Давайте прогуляемся по масштабу.
По данным IFR, в 2024 году в мире работало около 4,7 миллиона промышленных роботов. Каждый год ставят еще полмиллиона, а в текущем 2026-м по прогнозу будет 619 тысяч установок. Только за первую половину 2025-го в отрасль влили 7,3 миллиарда долларов инвестиций — это без обычных продаж железа.
Шестьдесят процентов рынка держат пять компаний: FANUC, ABB, KUKA, Yaskawa, Mitsubishi. У каждой свой зоопарк моделей и контроллеров. Когда завод покупает, скажем, новый сварочный участок, он выбирает вендора, подбирает модель, нанимает интегратора, а тот, в свою очередь, несколько месяцев пишет программу под конкретное железо. Проходит несколько лет, железо устаревает, и приезжает новая линейка.
И все по второму кругу: новый интегратор (или старый, но за новые деньги), еще несколько месяцев наладки вместе с обучением операторов.
Автомобилестроение, электроника и металлообработка в общей сложности съедают 66% всего объема промышленных роботов. В каждом из этих сегментов свои задачи: сварка, сборка, покраска, палетирование и так далее.
Под каждую задачу набор обходов сингулярностей рассчитывается отдельно. Программа, написанная под KUKA для сварки кузовов, далеко не текстовый файл, который можно открыть в другом редакторе. Это месяцы калибровки, тестов и подгонки под конкретный техпроцесс. Поменяли робота — калибровка начинается заново, даже если задача осталась та же.
Выше я упоминал цифры простоя. Добавлю еще парочку для красоты картины.
Неделя обучения одного оператора обходится примерно в 10 тысяч долларов.
Полный комплект «робот + интеграция + управление флотом» стоит от 50 до 200 тысяч за штуку, а на тяжелых промышленных участках заметно дороже.
Умножайте на количество машин в парке и на периодичность обновлений — и сумма вас не порадует.
Здесь очень туго приходится средним производствам, у которых нет больших бюджетов на интеграцию и раздутых штатных инженерных команд. Они могут нанять одного-двух интеграторов, но не могут позволить себе промахнуться с выбором вендора. Потому что апгрейд через пять лет чреват простоем. Многие из них сейчас так и живут: тянут старое железо, потому что замена стоит дороже, чем та работа, которую робот выполняет.
Частично эту боль снимают коллаборативные роботы (коботы): их проще перенастраивать, поскольку цикл переналадки занимает в среднем несколько часов.
В 2024-м рынок коботов оценивался в 1,26 миллиарда долларов, а к 2030-му есть прогнозируется рост до 3,38 миллиарда. Но коботы — компромисс в частных случаях, потому что больше половины из них работает с нагрузкой до 5 килограммов, то есть годятся они для электроники и инспекции, но никак не для тяжелой промышленности. Для серьезных производственных задач по-прежнему нужны полноценные манипуляторы — и боль никуда не денется.
Или денется?
Покажи один раз — оно запомнит навсегда
Команда из лаборатории LASA при EPFL (Learning Algorithms and Systems Laboratory, руководитель — Од Бийяр) опубликовала в Science Robotics работу со следующей идеей: человек демонстрирует машине задачу, система записывает траекторию, а фреймворк сам адаптирует ее к любому роботу с учетом его физических ограничений.
Ключевой ход — классификация.
Авторы взяли самый распространенный тип промышленных манипуляторов с тремя вращательными суставами (они встречаются почти в любой сборочной или сварочной ячейке) и систематизировали все возможные варианты конструкции. Получилось шесть категорий. Различия между ними определяются длиной звеньев, смещениями осей и тем, как расположены сингулярности в пространстве суставов. По сути, получилась карта ограничений для каждого типа робота еще до того, как он начинает двигаться.
Дальше идут так называемые аспекты. Пространство суставов любого манипулятора можно разрезать на безопасные области, внутри которых робот двигается свободно и предсказуемо. Между ними лежат опасные зоны сингулярностей, где алгоритм может потеряться. Для каждой из шести категорий их границы описали математически, и, как результат, робот получил еще и внутреннюю модель самого себя: где можно двигаться спокойно, а куда вращаться запрещено.
Традиционный подход в робототехнике работает наоборот: сначала машину обучают движениям, и лишь затем следует подгонка траектории, чтобы обойти ограничения. В EPFL последовательность перевернули: ограничения закладываются в фундамент, чтобы робот учился двигаться уже внутри безопасного пространства.
Грубо говоря, из конкретного движения человека извлекается абстрактная стратегия «что нужно сделать», очищенная от деталей того, как именно двигалась рука демонстратора. И вот вам универсальная стратегия (для любого робота из шести категорий).
Для каждой категории манипуляторов авторы описали топологию сингулярных поверхностей: как они устроены и какие переходы между аспектами допустимы. У одних категорий поверхность позволяет горизонтальный обход, и робот меняет конфигурацию при постоянном уровне в суставном пространстве. У других обход вертикальный, а у некоторых система переключает режим на ходу, в зависимости от того, где именно траектория столкнулась с границей. Выбор маневра детерминирован, то есть определяется категорией робота и координатами точки столкновения.
Что в результате: робот обходит опасную зону, выходит в безопасную конфигурацию и возвращается на нормальный маршрут. И вишенка на торте: весь маневр прозрачен и полностью воспроизводим, в отличие от подходов на основе оптимизации, где время сходимости зависит от начальных условий и может гулять от итерации к итерации.
Алгебра vs AI
Рынок 2026 года двигается в понятную сторону Agentic AI.
Сейчас он оценивается в 5,2 миллиарда долларов. Прогноз на 2034-й — 200 миллиардов. Естественно, нейросети встраивают в контроллеры роботов системы планирования траекторий, еще нейронки используют для предиктивного обслуживания. Прогресс идет, и отказ от AI может выглядеть отложенным самоубийством.
Но команда LASA осознанно отказалась от AI.
Чтобы понять почему, нужно посмотреть на стандарты, по которым промышленный робот проходит сертификацию. В 2025 году ISO выпустила обновленную версию ISO 10218-1 — главного стандарта безопасности для промышленных манипуляторов.
Документ требует год-полтора подготовки на стороне производителя и от семи до двенадцати месяцев на сторонний аудит. Новая редакция установила конкретные уровни функциональной безопасности: PL d / SIL 2 для роботов Класса II (тех, что работают рядом с операторами или в коллаборативном режиме) и PL b / SIL 1 для Класса I. Стандарт построен на детерминированной методологии ISO 12100, что критично для всей дальнейшей дискуссии. То есть протоколы валидации исходят из того, что система выдает одинаковый отклик на одинаковый вход.
Современные ML-модели в это предположение вообще не укладываются. Главная техническая проблема — недетерминированность: порядок выполнения операций в GPU-ядрах меняется от запуска к запуску, и идентичный вход информации дает чуть разный выход, а это базовое нарушение протокола сертификации, который требует воспроизводимости. Сверху сидит дрейф распределения данных — модель, хорошо работавшая в апреле, может ошибиться в августе, потому что освещение в цехе изменилось.
Параллельно подъезжают юридические приколы, например EU AI Act. В нем есть статья 6(1), где промышленный робот попадает в категорию высокого риска, если включает в себя AI-компонент с функцией безопасности. И от надзорных органов полетят следующие вопросы:
Считается ли обновление ML-модели «существенной модификацией», после которой нужна повторная сертификация?
Сохраняется ли CE-маркировка, если модель переобучили на новых данных из цеха? Кто несет ответственность, если переобученная модель повела себя иначе в критическом сценарии?
Каждый из этих вопросов — потенциально новый цикл сертификации. Плюс к этому 2 августа 2027 года вступают в силу основные требования к высокорисковым AI-системам, встроенным в регулируемые продукты.
Теперь о позиции EPFL.
Од Бийяр, глава LASA, в робототехнике с машинным обучением уже почти двадцать лет, и ее никак не назвать противницей нейросетей. Ее работа всегда была о другом: использовать ML там, где можно математически доказать, как именно поведет себя обученная модель и куда она точно не выйдет. Чтобы такие методы по-настоящему пошли в производство и получили одобрение, у обученной модели должны быть явные проверяемые гарантии.
Поэтому в их фреймворке никто не выкидывал нейросети насовсем. Там, где робот должен видеть объекты и ориентироваться в сцене, нейросеть остается, и это приемлемо. А вот ту часть, которая решает, как именно дернуть рукой и не влететь в сингулярность, написали на чистой математике из сертификационной логики: только такой, предсказуемый и воспроизводимый, контур проходит ISO 10218 без отдельного двухгодичного проекта с лабораторией.
Короче: нейросеть в самом контуре движения — это риск, который рано или поздно попадет под сертификацию. Kinematic Intelligence просто отказывается от него заранее.
Что меняется и куда движется
Главный экономический эффект — снижение порога входа для среднего сегмента производства. Если перенос навыка превращается в математически детерминированную процедуру вместо отдельного проекта с интегратором, апгрейд линии перестанет быть стратегическим решением на пять лет вперед. Можно купить робота другой модели или другого вендора, прогнать его через ту же демонстрацию задачи и получить рабочую конфигурацию за дни вместо месяцев.
Для крупного автозавода это просто экономия бюджета. Для среднего производства, которое раньше отказывалось от автоматизации именно из-за стоимости интеграции, это может оказаться разницей между «не можем себе позволить» и «можем», а значит, чревато бумом производства и новых разработок.
Дальше — смешанные флоты
Сейчас типичная история: цех закупает роботов одного вендора, потому что у интегратора уже есть наработки под эту модель, а обучать его под второго вендора слишком дорого. Получается vendor lock-in на годы, который ограничивает выбор оборудования и приводит к переплате за апгрейды. Kinematic Intelligence (и аналогичные подходы, которые наверняка появятся следом) такую связочку разрывает.
Можно поставить рядом KUKA и Yaskawa, дать им общую задачу — и оба производителя будут ее выполнять, каждый в своих кинематических пределах, без отдельного программирования. Рынок ПО для управления флотами роботов уже растет: с 613 миллионов долларов в 2024 году до прогнозных 1,4 миллиарда к 2030-му, и значительная часть запросов от заказчиков — именно о координации разнородного парка.
Сами авторы целят выше. Хотят они ни много ни мало — распространить фреймворк на сценарии человеко-роботной коллаборации и взаимодействия на естественном языке. Kinematic Intelligence мог бы позволить человеку управлять роботом дома простыми командами, без какого-либо технического программирования.
Их цель — убрать необходимость в технической экспертизе, сохранив безопасную и надежную работу.
По мере того как робототехника движется в сторону более сложных конструкций: гуманоидов, мягких манипуляторов с переменной жесткостью — детерминированная классификация может перестать масштабироваться. Шесть категорий превратятся в шестьдесят, а потом и в шестьсот, и в какой-то момент проще будет все-таки заплатить за вероятностную модель и за двухгодичный проект с сертификационной лабораторией. Где именно проходит эта точка, сейчас не знает никто, и в этом пока главная интрига.