[2025-07-25T11:14] Владимир Устенко: SmartRep: ИИ-контроль техники упражнений в спортзале на смартфоне (Предполагаемое название гранта:) Описание идеи гранта: Проект SmartRep направлен на разработку мобильного приложения с использованием технологий компьютерного зрения и нейросетей для анализа техники выполнения упражнений в реальном времени. Приложение будет работать автономно на смартфоне — без подключения к внешним датчикам или облачным сервисам — и предназначено для использования в спортзале. Основная идея: пользователь устанавливает смартфон напротив тренажёра (фронтально или сбоку), камера фиксирует выполнение упражнения, а ИИ-модель, запущенная локально, анализирует ключевые точки тела и оценивает правильность техники. В случае ошибок в движении приложение мгновенно подаёт сигналы (вибрация, звук, сообщение на экране) с комментариями: например, «Спина округляется» или «Слишком низкий присед». Проект имеет следующие особенности: * Локальная работа на телефоне: используются оптимизированные, легковесные нейросети, способные работать без подключения к интернету; * Контроль амплитуды и стабильности: система анализирует траекторию суставов, оценивает включение целевых мышц, стабильность осанки и плавность движения; * Обратная связь в реальном времени: минимизирует риск травм и помогает улучшить технику; * Обучение модели на размеченных данных: сравнение правильных и ошибочных техник, а также идентификация компенсаторных движений; * Масштабируемость: возможность добавления новых упражнений, персонализации тренировок и использования в домашних условиях. Ценность проекта: * Технологическая новизна: real-time анализ CV без внешнего оборудования. * Социальная значимость: доступность ИИ-наставника без необходимости трат на персонального тренера. * Повышение безопасности тренировок. * Потенциал коммерциализации и масштабирования в международном сегменте фитнеса и digital-health.. --- [2025-07-25T13:43] Владимир Устенко: Исходник Ярослава --- [2025-07-26T10:01] Богдан Павленко: 🎮 Парень навайбкодил файтинг, где вместо геймпада — его тело. Вместо обычный игры на геймпаде тут нужно махать руками перед камерой, которая отслеживает движения. Так персонаж повторяет все движения игрока 😮 Практически всё сделали нейросети: — Claude Opus спроектировал технологию; — Claude Sonnet написал код; — GitHub Copilot помог собрать готовую программу. Пока работает только в Tekken, в котором за каждую конечность отвечает отдельная кнопка. • Источник @aiaiai --- [2025-09-18T22:32] Владимир Устенко: Сравнительная таблица трех видов грантов. 119 самый оптимальный --- [2025-09-18T22:33] Владимир Устенко: Тема: ИИ-контроль техники упражнений в спортзале Краткое описание проекта: Проект направлен на разработку и исследование методов компьютерного зрения и нейросетевых алгоритмов для автоматизированного анализа техники выполнения силовых и функциональных упражнений. Главная цель — создание оптимизированной модели ИИ, способной в реальном времени анализировать видеопоток и выявлять ошибки техники движений. Особое внимание уделяется алгоритмической эффективности: разработанные методы должны работать корректно даже на устройствах с ограниченными вычислительными ресурсами (например, смартфонах), без использования внешних сенсоров или облачных сервисов. Ожидаемые результаты от реализации проекта: 1) Научная новизна: новые методы анализа позы и траекторий движений в реальном времени, адаптированные под низкую вычислительную сложность. 2) Повышение безопасности тренировок: своевременное выявление ошибок техники и контроль биомеханической стабильности. 3)Социальная значимость: возможность использования интеллектуальных методов контроля без затрат на оборудование и тренеров. 4) Контроль биомеханических параметров: отслеживание амплитуды движений, траектории суставов, вовлечения целевых мышц и осанки. 5) Валидация и обучение: формирование датасетов с правильными и ошибочными техниками, включая компенсаторные движения, для обучения и тестирования модели. --- [2025-09-18T22:35] Yaroslav Pikalyov: 120 оптимальный, тише едешь, дальше будешь --- [2025-09-18T22:40] Владимир Устенко: 120.pdf – «Малые научные группы» --- [2025-10-20T16:15] Владимир Устенко: @ya_pikalyov --- [2025-10-20T16:15] Владимир Устенко: @holyBogdan --- [2025-10-21T10:34] Владимир Устенко: Даже чат бот за 3 вариант --- [2025-10-21T11:31] Yaroslav Pikalyov: https://navigator.sk.ru/orn/1125924 --- [2025-10-21T11:50] Владимир Устенко: https://docs.google.com/document/d/1w2ryNwSpPc_6_H6vMxsKF9oTdwE6rcOEc36ZMesZ25E/edit?usp=sharing --- [2025-10-21T11:59] Yaroslav Pikalyov: https://docs.google.com/document/d/12rsE3o6EXnAmRNH_AZUOQ5qelLmFHhpD-RylEW2G6UQ/edit?usp=sharing --- [2025-10-21T13:34] Владимир Устенко: Трицепс --- [2025-10-21T13:35] Владимир Устенко: Бицепс --- [2025-10-21T13:36] Богдан Павленко: группа мышц спина, немного трицепс --- [2025-10-21T13:36] Владимир Устенко: Спина (гиперэкстензия) --- [2025-10-21T13:38] Богдан Павленко: или спина вот: --- [2025-10-21T13:56] Yaroslav Pikalyov: Для решения обозначенных научных и технических проблем в проекте SmartRep предусмотрен комплексный подход, сочетающий методы компьютерного зрения, адаптивного машинного обучения и биомеханического моделирования. Индивидуальные различия пользователей по пропорциям тела и подвижности суставов планируется компенсировать за счёт калибровки антропометрических параметров в начальной фазе работы приложения, позволяющей автоматически масштабировать эталонные углы и амплитуды движений. Неоднозначность визуальных данных и влияние ракурса устраняются с помощью обучения нейросетевых моделей на синтетических данных, сгенерированных под различными углами обзора и условиями освещения, а также применения моделей позового детектирования с механизмом пространственного сглаживания ключевых точек. Проблема нехватки размеченных примеров решается за счёт полусупервизорного обучения, дополнения данных (data augmentation) и использования смежных наборов (Human3.6M, COCO-Pose и др.). Формализация понятия «правильности техники» достигается объединением статистических признаков с нечёткой логикой, где экспертные правила тренеров переводятся в математическую форму через интервалы допустимых углов и скоростей движения. Персонализация анализа обеспечивается внедрением механизма самообучения модели на данных конкретного пользователя и учётом его возраста, пола и уровня подготовки. Для работы на мобильных устройствах предусмотрена разработка облегченной модели с квантизацией и оптимизацией inference. --- [2025-10-21T13:56] Yaroslav Pikalyov: Персонализация анализа обеспечивается внедрением механизма самообучения модели на данных конкретного пользователя и учётом его возраста, пола и уровня подготовки. Это под вопросом --- [2025-10-21T14:49] Yaroslav Pikalyov: Научной и методологической основой проекта SmartRep является развитие идей, реализованных в работах Д.Г. Арсеньева, М.А. Шалуховой и А.Е. Мисника, посвящённых интеллектуальным системам поддержки принятия решений в спорте и реабилитации. В указанных исследованиях (ИММВ-2024; Вестн. СамГТУ, 2024; Musculus.app) разработана архитектура СППР, включающая модули компьютерного зрения, цифрового двойника спортсмена, онтологической базы знаний и нейро-нечёткой логики для персонализации тренировочного процесса и прогнозирования риска травм. Проект SmartRep развивает данный подход, адаптируя его к условиям массового фитнеса и работе на мобильных устройствах: система использует лёгкие модели компьютерного зрения для анализа техники упражнений, формализует тренерские критерии через нечёткие правила и реализует индивидуализацию рекомендаций с учётом пола, возраста и уровня подготовки пользователя. --- [2025-10-21T14:50] Владимир Устенко: https://docs.google.com/document/d/1w2ryNwSpPc_6_H6vMxsKF9oTdwE6rcOEc36ZMesZ25E/edit?usp=sharing Написал ограничения в самом низу --- [2025-10-21T15:04] Богдан Павленко: https://openreview.net/pdf/061d45c5db0c11ad5dd49cd9a1afa6482d4a9aed.pdf?utm_source=chatgpt.com --- [2025-10-21T15:10] Богдан Павленко: Большой обзор по теме --- [2025-10-21T15:45] Владимир Устенко: https://docs.google.com/document/d/1w2ryNwSpPc_6_H6vMxsKF9oTdwE6rcOEc36ZMesZ25E/edit?tab=t.0 --- [2025-10-21T17:09] Yaroslav Pikalyov: 1. Разработка интеллектуальной системы анализа техники выполнения физических упражнений для улучшения и поддержания физической формы на основе технологий компьютерного зрения. 2. Разработка программного комплекса SmartRep для автоматизированного контроля правильности выполнения физических упражнений с использованием технологий искусственного интеллекта. 3. Разработка системы компьютерного зрения для оценки корректности выполнения упражнений с отягощениями и на тренажёрах, направленных на поддержание физической формы. 4. Разработка интеллектуальной системы визуального анализа движений человека при выполнении физических упражнений в фитнес-зале. 5. Разработка нейро-нечёткой системы анализа и контроля техники выполнения упражнений для повышения эффективности тренировок и предотвращения травм. --- [2025-10-21T17:12] Yaroslav Pikalyov: Ну или свой вариант предложите --- [2025-10-21T17:19] Yaroslav Pikalyov: https://chatgpt.com/share/68f79679-e8a4-8009-9842-191b431a4ca9 --- [2025-10-22T03:18] Yaroslav Pikalyov: Современные подходы к контролю техники выполнения физических упражнений в фитнес-центрах и спортивных залах в значительной степени зависят от квалификации тренера и субъективной визуальной оценки. При этом качество выполнения движений напрямую влияет на эффективность тренировочного процесса и уровень травматизма. Отсутствие доступных и объективных инструментов анализа движений вне профессиональных лабораторных условий делает невозможным системный контроль техники для широкого круга пользователей, занимающихся самостоятельно или с минимальным контролем тренера. Цель проекта заключается в разработке интеллектуальной системы анализа и контроля техники выполнения упражнений с использованием технологий компьютерного зрения и искусственного интеллекта, реализованной в виде мобильного приложения. Система обеспечивает автоматическую оценку правильности выполнения базовых упражнений на тренажёрах и со свободными весами с помощью видеозаписи, получаемой с камеры смартфона, без необходимости использования дополнительных сенсоров и специализированного оборудования. Проект решает актуальную научно-техническую задачу — повышение точности и объективности оценки движений человека в неконтролируемых условиях съёмки (вариации углов, освещения, масштаба и позы) при минимальных вычислительных ресурсах (edge-устройства). В основе системы лежит модуль компьютерного зрения, выделяющий ключевые точки скелета человека на видео, и аналитический модуль, который на основе геометрических взаимосвязей между суставами вычисляет углы и динамические параметры движения. Дополнительно в системе применяется нейро-нечёткий модуль принятия решений, формирующий экспертные правила интерпретации данных: система не только фиксирует отклонения в траектории, но и классифицирует типичные ошибки техники, формируя рекомендации по их исправлению. Такой подход позволяет объединить преимущества статистического обучения и знаний, формализованных в виде лингвистических правил. Научная новизна проекта заключается в разработке метода анализа биомеханических паттернов упражнений на основе визуальных данных и нечеткой логики, обеспечивающего интерпретируемость и адаптивность модели к индивидуальным особенностям пользователя, а также работающий в режиме реального времени на мобильных устройствах. В отличие от существующих коммерческих решений, основанных на жёстких шаблонах поз, система SmartRep способна учитывать вариативность техники, зависимость угловых характеристик от антропометрических данных и плавно адаптировать критерии оценки под конкретного пользователя. Научная занчимость заключается в: - повышении объективности и точности оценки техники движений; - расширении научных представлений о применении методов ИИ в спортивной биомеханике; - формировании базы знаний и алгоритмических решений, применимые в других областях (реабилитация, эргономика, медицина труда). --- [2025-10-22T03:18] Yaroslav Pikalyov: #annotation_project_old --- [2025-10-22T03:34] Yaroslav Pikalyov: @u_Vova @holyBogdan нужны сканы РИДов --- [2025-10-22T03:49] Yaroslav Pikalyov: У Натальи Николаевны узнать нужно гос регистр номера и года проведения: 1) Разработка научно-теоретических основ создания роботизированных компьютерно-аппаратно-механических комплексов, способных к восприятию и переработке звуковой, сетевой, визуальной и речевой информации; 2. Разработка методов распознавания слитно произнесённых фраз на основе пофонемного анализа речи --- [2025-10-22T03:54] Yaroslav Pikalyov: Вроде такого, ток ещё годы нужны начала и конца «Исследование и разработка методов семантического анализа и интерпретации потоков данных интеллектктуальнымисистемами», № госрегистрации 0118D000003, УтУтверждена приказом Министерства образования и науки ДНР № 1272от 27.11.2017 --- [2025-10-22T09:11] Yaroslav Pikalyov: @u_Vova @holyBogdan сколько статей и тезисов тоже напишите --- [2025-10-22T09:11] Yaroslav Pikalyov: Угарнул с Владимира, в графе соответствие кадрового состава написал "Соответствуют" 😭 --- [2025-10-22T09:16] Yaroslav Pikalyov: @u_Vova можете, если хотите редактировать в форме там... Я если что засейвил --- [2025-10-22T09:16] Yaroslav Pikalyov: Вот --- [2025-10-22T09:20] Yaroslav Pikalyov: Из списка необходимого оборудования вычеркните доп станцию машинного обучения, я забыл что здесь бюджет ограничен --- [2025-10-22T10:03] Богдан Павленко: Года проведения этих тем? Или чем являются эти 2 пункта? --- [2025-10-22T10:08] Yaroslav Pikalyov: Что тут непонятного --- [2025-10-22T10:09] Yaroslav Pikalyov: И год начала и конца каждой --- [2025-10-22T10:37] Владимир Устенко: 5 тезисов 2 статьи --- [2025-10-22T10:40] Богдан Павленко: 3 статьи, 3 тезисов --- [2025-10-22T15:26] Владимир Устенко: Методы и подходы для пункта 4.6 --- [2025-10-22T15:34] Yaroslav Pikalyov: Научный коллектив проекта располагает подтверждённым заделом в области искусственного интеллекта, машинного обучения и компьютерного зрения, сформированным в рамках выполнения фундаментальной НИР ФГБНУ «ИПИИ» (код FREN-2024-0002, № госрегистрации 124061400003-5) «Извлечение семантической информации из изображений для автономных систем навигации беспилотных летательных аппаратов» (2024 – 2026 гг.). В ходе исследований разработаны: – методика формирования сбалансированных аннотированных наборов данных для задач распознавания объектов и построения семантических графов сцен; – архитектуры нейронных сетей для обнаружения объектов в реальном времени и перекрёстной геолокализации по данным БПЛА и спутников; – инструментарий для автоматизированного аннотирования данных и интерпретации мультимодальных потоков информации; – методы построения триплетных моделей распознавания и генерации графов сцен, применимые в системах автономной навигации и распознавания действий человека. Коллектив имеет опыт выполнения НИР в области анализа изображений, распознавания речи и семантической интерпретации данных. Результаты отражены в публикациях в изданиях РИНЦ, Scopus, WOS и включают работы по разработке методов классификации изображений, языковых моделей, распознавания слитной речи и автоматической генерации транскрипций. Ключевые публикации: – Пикалёв Я. С., Ермоленко Т. В. On the Issue of Continuous Speech Recognition // Integral Robot Technologies and Speech Behavior. – 2024. – P. 155–180. ISBN 1-5275-5436-8. – Bondarchuk V. V., Kravchenko N. M., Pikalyov Ya. S. Indirect Criteria Algorithm for the Control of a Cognitive Neural Network // Practice Oriented Science: UAE – Russia – India. – 2024. – DOI 10.34660/INF.2024.32.41.030. – Пикалёв Я. С., Ермоленко Т. В. Система автоматического распознавания слитной русской речи на основе глубоких нейросетей // Речевые технологии. – 2021. – № 1–2. – С. 3–18. – Бондаренко В. И., Ермоленко Т. В. Анализ эффективности глубоких языковых моделей для задачи определения тональности русскоязычных текстов // Проблемы искусственного интеллекта. – 2024. – № 1(32). – С. 51–62. Имеются результаты интеллектуальной деятельности: – № 2024692488 — Программный комплекс для аннотирования данных (Устенко В. Ю.); – № 2024693206 — Программный комплекс для автоматизированного сбора аэрофотоснимков (Павленко Б. В.). Научный коллектив регулярно представляет результаты на международных конференциях «Искусственный интеллект: теоретические аспекты и практическое применение» (2020 – 2024) и «Донецкие чтения» (2017 – 2024), что способствует укреплению научной школы ФГБНУ «ИПИИ» в области ИИ. Совокупность накопленных теоретических и практических результатов — в том числе методов распознавания образов, мультимодальной интеграции и разработки нейронных архитектур — обеспечивает высокий уровень готовности к реализации проекта SmartRep, направленного на применение технологий компьютерного зрения и нечёткой логики для анализа движений человека. --- [2025-10-22T15:35] Yaroslav Pikalyov: Научный коллектив проекта имеет большой опыт реализации научных проектов, связанных с разработкой специализированного программного обеспечения с применением математического моделирования для промышленного производства. Основные результаты по данной тематике отражены в публикациях [1-7]. Применение методов машинного обучения в задачах управления и принятия решений в хозяйственной деятельности и медицине отражено в работах членов научного коллектива [8-9], [15-18]. В рамках этих исследований разработаны предсказательные модели энергопотребления на предприятиях угольной промышленности, использующие автокорреляционные методы, модели оценки вероятности появления ДТП, основанные на методах машинного обучения, обоснован метод, использующий ResNet и API-Net, для классификации товаров, имеющих похожие упаковки. Авторами проекта разработана методика обработки и структурирования данных фондового рынка для использования прогностических моделей машинного обучения Задел коллектива проекта в направлении тематики технического зрения и распознавания изображений в режиме реального времени отражен, в частности, в публикациях [13-14], [17, 20,21]. Исследованы возможности использования глубоких нейронных сетей для задачи классификации изображений на устройствах с ограниченной вычислительной мощностью. Также авторами проекта ведется активная работа в области применения искусственного интеллекта, глубокого обучения в задачах обработки естественного языка [10-12] и распознавания речи [19, 22]. Научный коллектив имеет опыт организации и проведения научных мероприятий: международных научных конференций "Донецкие чтения: образование, наука, инновации, культура и вызовы современности" (2017-2024); международных научных круглых столов "Искусственный интеллект: теоретические аспекты, практическое применение" (2020-2024). Заявка № 25-21-20602 Страница 22 из 27 Список источников: 1. Бондаренко В.И. Программная система для моделирования процесса тепломассопереноса при разливке и затвердевании стали / В.И. Бондаренко // Вестник Донецкого национального университета. Серия А. Естественные науки. – 2009. – № 2. – С. 103-110. 2. Программный продукт «Математическое моделирование гидродинамических и теплообменных процессов в стальных слитках» / Ф.В. Недопекин, В.В. Белоусов, В.И. Бондаренко, В.М. Кондратенко. – Украина: Свидетельство о регистрации авторского права на произведение №47898, 2013. 3. Бондаренко В.И. Математическое обеспечение и компьютерные технологии для моделирования гидродинамических и теплофизических процессов в металлургии: Монография / В.И. Бондаренко, В.Ф. Комаров, Ф.В. Недопекин, В.М. Мелихов, В.В. Белоусов. – Донецк: Юго-Восток, 2013. – 210 с. 4. Bondarenko V.I. Visualization of Process of Wheel Steel High Ingots Simulation / V.I. Bondarenko, V. V Bodryaga, F. V Nedopekin, V. V Belousov // IOP Conference Series: Materials Science and Engineering. – 2017. – Т. 287. 5. Bondarenko V.I. Using MVC pattern in the software development to simulate production of high cylindrical steel ingots / V.I. Bondarenko, V.V. Bilousov, F.V. Nedopekin, V.V. Bodriaha, L.V. Antropova // Journal of Crystal Growth. – 2019. – Т. 526. – С. 125240. 6. Винник А.О. Программный комплекс мониторинга энергопотребления на предприятиях угольной промышленности / А.О. Винник, А.-А.М. Мартыненко, В.И. Бондаренко // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2021. – № 2. – С. 33-38. 7. Бондаренко В.И. Разработка и реализация макета бионического протеза кисти руки / В.И. Бондаренко, А.И. Горбатенкова // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2022. – № 4. – С. 27- 32. 8. Беспалова С.В. Построение регрессионных моделей режимов работы водораспределительных сетей с помощью методов регуляризации и анализа главных компонент / С.В. Беспалова, С.М. Романчук, Т.В. Ермоленко, В.И. Бондаренко // Информатика и кибернетика. – 2019. – Т. 2 (16). – С. 35-49. 9. Беспалова С.В. Построение предсказательных моделей параметров давления воды в водораспределительных сетях с --- [2025-10-22T15:35] Yaroslav Pikalyov: помощью методов машинного обучения / С.В. Беспалова, С.М. Романчук, Т.В. Ермоленко, В.И. Бондаренко // Проблемы искусственного интеллекта. – 2019. – Т. 2(13). – С. 24-38. 10. Бондаренко В.И. Классификация научных текстов с помощью методов глубокого машинного обучения / В.И. Бондаренко // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2021. – № 3. – С. 69- 77. 11. Ермоленко Т.В. Разработка алгоритмов и языковых моделей для мультиязычной системы автоматического аннотирования текстов разных жанров / Т.В. Ермоленко, В.И. Бондаренко, Я.C. Пикалёв // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2023. – № 2. – С. 22-42. 12. Бондаренко В.И. Анализ эффективности глубоких языковых моделей для задачи определения тональности русскоязычных текстов / В.И. Бондаренко, В.О. Елисеев, Т.В. Ермоленко // Проблемы искусственного интеллекта. – 2024. – № 1 (32). – С. 51-62. 13. Павленко Б.В. Использование модели YOLO в современных задачах распознавания в реальном времени на примере военной и космической отраслей / Б.В. Павленко, В.И. Бондаренко, А.-А.М. Мартыненко // Вестник Донецкого государственного университета. Серия Г: Технические Науки. – 2023. – № 4. – С. 55-65. 14. Бондаренко В.И. Применение методов глубокого обучения для повышения качества изображения / В.И. Бондаренко, А.В. Федчук // Вестник Донецкого национального университета. Серия Г. Технические науки. – 2022. – № 4. – С. 39-44. 15. Ермоленко Т.В. Исследование эффективности предсказательных моделей для системы анализа и мониторинга энергопотребления на предприятиях угольной промышленности / Т.В. Ермоленко, В.Н. Котенко, А.О. Винник А.О. // Проблемы искусственного интеллекта. 2022. № 4 (27). С. 25-34. 16. Конончук Э.В. Модели машинного обучения для оценки вероятности появления ДТП и его серьезности / Э.В. Конончук. Т.В. Ермоленко Т.В., Т.О. Шишунов // Проблемы искусственного интеллекта. 2022. № 1 (24). С. 4-12. 17. Ермоленко Т.В. Анализ эффективности архитектур глубоких нейросетей для классификации изображении товаров / Т.В. Ермоленко, И.Е. Самородский // Проблемы искусственного интеллекта. 2022. № 1 (24). С. 54-64. 18. Ермоленко Т.В. Классификация аномалий сердцебиения с помощью глубокого обучения / Т.В. Ермоленко, Д.В. Ролик // Проблемы искусственного интеллекта. 2022. № 1 (24). С. 40-53. 19. Ермоленко Т.В. Система автоматического распознавания слитной русской речи на основе глубоких нейросетей / Т.В. Ермоленко, Я.С. Пикалёв // Речевые технологии. 2021. № 1-2. С. 3-18. 20. Пикалёв Я.С. О нейронных архитектурах извлечения признаков для задачи распознавания объектов на устройствах с Заявка № 25-21-20602 Страница 23 из 27 ограниченной вычислительной мощностью // Я.С. Пикалёв, Т.В. Ермоленко // Проблемы искусственного интеллекта. 2023. № 3 (30). С. 44-54. 21. Pikalyov Ya.S. About neural architectures of feature extraction for the problem of object 1 recognition for the problem of object recognition on devices with limited computing power / Ya.S. Pikalyov, T.V. Yermolenko // Вестник Томского государственного университета. Математика и механика. 2023. № 3. С. 30. 22. Pikalyov, Ya. Chapter Five. On the Issue of Continuous Speech Recognition / Yaroslav Pikalyov, Tatyana Yermolenko // Integral Robot Technologies and Speech Behavior. – 2024. – P. 155-180. --- [2025-10-22T15:43] Богдан Павленко: + к разработанному в ходе исследований можно добавить: Структура метаданных сегментов карт навигации дрона --- [2025-10-23T14:01] Владимир Устенко: https://docs.google.com/document/d/1w2ryNwSpPc_6_H6vMxsKF9oTdwE6rcOEc36ZMesZ25E/edit?usp=sharing --- [2025-10-23T14:16] Владимир Устенко: 33. Устенко, В. Ю. Сравнение стратегий мозаичной аугментации для оценки угла крена беспилотника по изображению с камеры [Текст] / В. Ю. Устенко, Б. В. Павленко // XVIII Всероссийская мультиконференция по проблемам управления (МКПУ–2025) : материалы мультиконференции (Тула, 15 сентября – 20 сентября 2025 г.) : в 4 т. Т. 1 Робототехника и мехатроника (РиМ – 2025) / под ред. академика РАН Ф.Л. Черноусько. — Тула : Изд-во ТулГУ, 2025. — 300 с. – С. 271-0273. – ISBN 978-5-7679-5716-3, ISBN 978-5-7679-5709-5 (Т. 1) --- [2025-10-23T14:16] Владимир Устенко: ТУла --- [2026-03-27T16:03] Yaroslav Pikalyov: 🌟 Kimodo: диффузионная модель для генерации 3D-движений людей. NVIDIA выложила в открытый доступ проект Kimodo - генеративную модель на основе диффузии, которая создает реалистичные трехмерные движения для человеческих и робототехнических скелетов. Kimodo принимает на вход текстовые промпты и ключевые позы всего тела, позиции и вращения конечностей, двухмерные пути и контрольные точки. Это позволяет точно управлять генерацией: от общего описания наподобие "персонаж идет и садится на стул" до детального контроля положения рук и ног в кадрах. Всего доступно 5 вариантов модели для 3 типов скелетов: SOMA, SMPL-X и Unitree G1. Первые два ориентированы на анимацию аватаров, третий - на робота Unitree G1. Модели, обученные на полном датасете Bones Rigplay 1 (700 часов), NVIDIA рекомендует как основные рабочие. Варианты на сете BONES-SEED (288 часов) предназначены для бенчмаркинга и сравнения с собственными разработками. Для работы с Kimodo предусмотрены 3 интерфейса: 🟢Интерактивное веб-демо с таймлайн-редактором; 🟢CLI-утилита для пакетной генерации; 🟢Python API для тонкой настройки . Под инференс потребуется около 17 ГБ видеопамяти, модели запускали на RTX 3090, RTX 4090 и NVIDIA A100. 🟡 Интеграция с робототехническим стеком NVIDIA. ProtoMotions позволяет брать сгенерированные движения и обучать на них физически корректные политики управления в GPU-ускоренной симуляции — как для аватаров, так и для Unitree G1. Через General Motion Retargeting движения, созданные на скелете SMPL-X, можно перенести на произвольных роботов. 📌Лицензирование: Код проекта под Apache 2.0, большинство моделей под NVIDIA Open Model License. Вариант SMPL-X имеет более ограниченную NVIDIA R&D Model License, она допускает только исследовательское применение. 🟡Набор моделей 🟡Техотчет 🖥Github @ai_machinelearning_big_data #AI #ML #Robotics #Kimodo #NVIDIA ---