Робототехник (Профессиональный уровень)

Экзаменационный билет 1
Теоретическая часть:

1. Объясните, что такое адаптивное управление в робототехнике и приведите пример его применения.

Ответ: Адаптивное управление — это подход, позволяющий системе изменять параметры алгоритмов в реальном времени под текущие условия. Например, изменение коэффициентов PID-регулятора при изменении массы объекта или внешних помехах.

2. Какой стандарт регулирует безопасность коллаборативных роботов (cobots)? Назовите основные требования.

Ответ: ISO 15066. Основные требования включают ограничение силы и скорости при контакте с человеком, использование сенсоров для обнаружения препятствий и минимальное время реакции на аварийные ситуации.

Практическая часть:
Реализуйте обратную кинематику для двухзвенного манипулятора (углы θ₁ и θ₂) при заданных координатах конечной точки (x, y).

import math

def inverse_kinematics(x, y, l1=1.0, l2=1.0):
    d = math.sqrt(x**2 + y**2)
    if d > l1 + l2 or d < abs(l1 - l2):
        return None  # Недостижимая точка
    cos_theta2 = (x**2 + y**2 - l1**2 - l2**2) / (2 * l1 * l2)
    theta2 = math.acos(cos_theta2)
    theta1 = math.atan2(y, x) - math.atan2(l2 * math.sin(theta2), l1 + l2 * cos_theta2)
    return math.degrees(theta1), math.degrees(theta2)

print(inverse_kinematics(1.5, 0.5))  # Пример координат

Экзаменационный билет 2
Теоретическая часть:

1. Сравните методы RRT* и A* для планирования пути робота. В каких сценариях предпочтительно использовать каждый из них?

Ответ: RRT* асимптотически оптимален для высокой размерности и динамических сред (например, дроны), тогда как A* эффективен для статических сеток (например, игры) благодаря точности и скорости.

2. Что такое цифровой двойник в робототехнике и как он используется в промышленности?

Ответ: Цифровой двойник — виртуальная копия физического робота, используемая для моделирования, тестирования и оптимизации. В промышленности применяется для предсказания поломок и улучшения производительности через IoT-данные.

Практическая часть:
Напишите код для фильтра Калмана, фильтрующего шумные данные датчика положения.

class KalmanFilter:
    def __init__(self, process_variance, measurement_variance):
        self.process_variance = process_variance
        self.measurement_variance = measurement_variance
        self.posteri_estimate = 0.0
        self.posteri_error = 1.0

    def update(self, measurement):
        priori_estimate = self.posteri_estimate
        priori_error = self.posteri_error + self.process_variance
        blending_factor = priori_error / (priori_error + self.measurement_variance)
        self.posteri_estimate = priori_estimate + blending_factor * (measurement - priori_estimate)
        self.posteri_error = (1 - blending_factor) * priori_error
        return self.posteri_estimate

# Пример использования
kf = KalmanFilter(process_variance=0.1, measurement_variance=0.5)
noisy_data = [1.1, 1.3, 1.2, 0.9, 1.0]
filtered = [kf.update(z) for z in noisy_data]
print(filtered)

Экзаменационный билет 3
Теоретическая часть:

1. Какие технологии используются для создания автономных подводных роботов? Почему акустическая локация предпочтительна под водой?

Ответ: Технологии: акустические сенсоры, давление- и температуростойкие корпусы, многолучевые сонары. Акустическая локация предпочтительна, так как радиоволны быстро затухают в воде, а звук распространяется эффективно.

2. Что такое нейроморфные процессоры и как они применяются в робототехнике?

Ответ: Нейроморфные чипы (например, Intel Loihi) имитируют нейронные сети и обрабатывают данные с датчиков в реальном времени с низким энергопотреблением. Применяются для обработки визуальных и тактильных данных в автономных роботах.

Практическая часть:
Настройте ROS-ноду для управления мобильным роботом через топик /cmd_vel.

import rospy
from geometry_msgs.msg import Twist

def move_robot():
    rospy.init_node('robot_mover', anonymous=True)
    pub = rospy.Publisher('/cmd_vel', Twist, queue_size=10)
    rate = rospy.Rate(10)  # 10 Hz
    msg = Twist()
    msg.linear.x = 0.5  # Движение вперёд
    msg.angular.z = 0.0
    for _ in range(50):  # 5 секунд
        pub.publish(msg)
        rate.sleep()

if __name__ == '__main__':
    try:
        move_robot()
    except rospy.ROSInterruptException:
        pass

Экзаменационный билет 4
Теоретическая часть:

1. Охарактеризуйте применение квантовых сенсоров в робототехнике. Приведите пример использования.

Ответ: Квантовые сенсоры (например, NV-центры в алмазе) обеспечивают сверхточное измерение магнитных полей, гравитации или вращения. Применяются в подводных роботах для навигации без GPS.

2. Какие стандарты безопасности применяются в промышленной робототехнике? Назовите основные положения ISO 10218.

Ответ: ISO 10218-1/2 регулирует проектирование и эксплуатацию промышленных роботов, включая защиту от механических отказов и минимальные расстояния до рабочих зон.

Практическая часть:
Оптимизируйте траекторию движения робота с использованием генетического алгоритма (пример с 3 точками).

import random

def genetic_algorithm(points, generations=100, population_size=50):
    def fitness(path):
        return sum(math.dist(points[path[i]], points[path[i+1]]) for i in range(len(path)-1))
    
    population = [random.sample(range(len(points)), len(points)) for _ in range(population_size)]
    for _ in range(generations):
        population.sort(key=fitness)
        new_gen = population[:population_size//2]
        while len(new_gen) < population_size:
            parent1, parent2 = random.sample(new_gen, 2)
            child = parent1[:len(parent1)//2] + [x for x in parent2 if x not in parent1[:len(parent1)//2]]
            new_gen.append(child)
        population = new_gen
    return population[0]

points = [(0,0), (1,2), (2,1)]
best_path = genetic_algorithm(points)
print("Оптимальный путь:", [points[i] for i in best_path])

Экзаменационный билет 5
Теоретическая часть:

1. Что такое swarm robotics? Какие алгоритмы используются для координации группы роботов?

Ответ: Swarm robotics — управление группой простых роботов через децентрализованные алгоритмы (например, муравьиные алгоритмы, поведенческие правила).

2. Какие методы используются для термального управления в роботах? Почему это критично для высокопроизводительных систем?

Ответ: Методы: фазо-изменяющие материалы, жидкостное охлаждение, термоэлектрические модули. Критично для предотвращения перегрева и поддержания стабильности в системах с высокой нагрузкой (например, Boston Dynamics Atlas).

Практическая часть:
Реализуйте простой SLAM-алгоритм с использованием данных LiDAR и библиотеки numpy.

import numpy as np

def simple_slam(lidar_data, map_size=100, resolution=0.1):
    grid_map = np.zeros((map_size, map_size))
    for angle, distance in lidar_data:
        x = int(distance * np.cos(np.radians(angle)) / resolution)
        y = int(distance * np.sin(np.radians(angle)) / resolution)
        if 0 <= x < map_size and 0 <= y < map_size:
            grid_map[x][y] = 1  # Обозначение препятствия
    return grid_map

# Пример данных LiDAR (угол, расстояние)
lidar_data = [(theta, 5.0) for theta in range(0, 360, 10)]
map_grid = simple_slam(lidar_data)
print(map_grid[:10, :10])  # Печать части карты

Экзаменационный билет 6
Теоретическая часть:

1. Объясните, как работает метод фильтрации частиц (Particle Filter) в задачах локализации робота. В чём его преимущество перед фильтром Калмана?

Ответ: Particle Filter использует множество гипотез (частиц) для оценки вероятностного распределения позиции робота. Преимущество — способность моделировать многомодальные распределения, что полезно в нелинейных системах (например, локализация в сложных помещениях).

2. Какие требования предъявляются к механическому проектированию роботов для работы в условиях экстремальных температур?

Ответ: Использование термостойких материалов (например, титановые сплавы), компенсация теплового расширения, защита электроники термобарьерными покрытиями, тестирование на термоциклирование.

Практическая часть:
Реализуйте детекцию объектов с использованием OpenCV и YOLOv8.

from ultralytics import YOLO
import cv2

# Загрузка предобученной модели YOLOv8
model = YOLO("yolov8n.pt")

# Захват с камеры
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break
    results = model(frame)
    annotated_frame = results[0].plot()
    cv2.imshow("YOLOv8 Detection", annotated_frame)
    if cv2.waitKey(1) == 27:
        break

cap.release()
cv2.destroyAllWindows()

Экзаменационный билет 7
Теоретическая часть:

1. Что такое обратная динамика в робототехнике? Почему она важна для управления манипуляторами?

Ответ: Обратная динамика вычисляет силы и моменты, необходимые для достижения заданной траектории. Важна для точного управления манипуляторами с учётом массы, инерции и внешних сил.

2. Какие методы используются для минимизации энергопотребления в мобильных роботах? Приведите примеры.

Ответ: Оптимизация траекторий (A*), использование нейроморфных чипов, адаптивное управление мощностью двигателей, переход на низковольтные компоненты.

Практическая часть:
Реализуйте управление скоростью шагового двигателя с помощью PID-регулятора.

class PID:
    def __init__(self, Kp, Ki, Kd):
        self.Kp = Kp
        self.Ki = Ki
        self.Kd = Kd
        self.last_error = 0
        self.integral = 0

    def compute(self, error):
        self.integral += error
        derivative = error - self.last_error
        output = self.Kp * error + self.Ki * self.integral + self.Kd * derivative
        self.last_error = error
        return output

# Пример использования
pid = PID(Kp=1.0, Ki=0.1, Kd=0.01)
target_speed = 100  # RPM
current_speed = 90
error = target_speed - current_speed
pwm_signal = pid.compute(error)
print(f"Рассчитанный PWM сигнал: {pwm_signal}")

Экзаменационный билет 8
Теоретическая часть:

1. Охарактеризуйте применение ROS 2 в промышленной робототехнике. В чём его преимущество перед ROS 1?

Ответ: ROS 2 использует DDS (Data Distribution Service) для распределённых систем, что обеспечивает надёжную коммуникацию в реальном времени. Преимущество — отказоустойчивость и интеграция с промышленными протоколами (EtherCAT, CAN).

2. Какие технологии используются для создания экзоскелетов? Какие требования предъявляются к их сенсорам?

Ответ: Технологии: пневматические приводы, углеволокно, IMU. Требования к сенсорам: высокая точность, низкая задержка, биосовместимость, устойчивость к вибрациям.

Практическая часть:
Реализуйте симуляцию траектории манипулятора с использованием библиотеки matplotlib.

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

def trajectory_planning(t):
    x = np.sin(t)
    y = np.cos(t)
    z = t
    return x, y, z

t = np.linspace(0, 10, 100)
x, y, z = trajectory_planning(t)

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot(x, y, z, label='Траектория')
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.title('Трёхмерная траектория манипулятора')
plt.show()

Экзаменационный билет 9
Теоретическая часть:

1. Что такое кинематическая избыточность в робототехнике? Приведите пример и метод её разрешения.

Ответ: Кинематическая избыточность — наличие большего числа степеней свободы, чем необходимо для достижения цели. Пример: манипулятор с 7 степенями свободы. Метод разрешения — оптимизация по критерию минимальной энергии (например, градиентный метод).

2. Какие риски связаны с использованием ИИ в автономных роботах? Как их можно минимизировать?

Ответ: Риски: предвзятость данных, необъяснимость решений, несанкционированное поведение. Минимизация: тестирование с использованием adversarial examples, регулярное обновление моделей, введение ограничений в планировщик действий.

Практическая часть:
Реализуйте простой алгоритм SLAM с использованием библиотеки slam.

from slam import GraphSLAM
import numpy as np

# Пример данных
poses = np.array([[0, 0, 0], [1, 0, np.pi/2], [1, 1, np.pi]])
landmarks = np.array([[2, 0], [0, 2]])

# Создание и выполнение GraphSLAM
slam = GraphSLAM()
slam.add_poses(poses)
slam.add_landmarks(landmarks)
slam.optimize()
print("Оптимизированные позиции:", slam.get_poses())

Экзаменационный билет 10
Теоретическая часть:

1. Объясните концепцию «гибридной архитектуры управления» в робототехнике. Приведите пример её реализации.

Ответ: Гибридная архитектура сочетает реактивные (низкоуровневые) и планирующие (высокоуровневые) системы. Пример: использование ROS 2 для коммуникации между нодами, где одна нода отвечает за уклонение от препятствий (реактивно), а другая — за построение маршрута (планирование).

2. Какие методы используются для оценки надёжности робототехнических систем? Приведите пример расчёта MTBF.

Ответ: Методы: FMEA (анализ видов и последствий отказов), расчёт средней наработки на отказ (MTBF). Пример: если система работала 1000 часов и вышла из строя 2 раза, MTBF = 1000 / 2 = 500 часов.

Практическая часть:
Реализуйте оптимизацию траектории методом RRT*.

import numpy as np
import matplotlib.pyplot as plt

class RRTStar:
    def __init__(self, start, goal, obstacles):
        self.start = start
        self.goal = goal
        self.obstacles = obstacles
        self.nodes = [start]

    def plan(self, iterations=100):
        for _ in range(iterations):
            rand_point = np.random.rand(2) * 10
            nearest = min(self.nodes, key=lambda x: np.linalg.norm(x - rand_point))
            new_node = nearest + (rand_point - nearest) * 0.1
            if not self.in_collision(new_node):
                self.nodes.append(new_node)
        return self.nodes

    def in_collision(self, point):
        for obs in self.obstacles:
            if np.linalg.norm(point - obs[:2]) < obs[2]:
                return True
        return False

# Пример использования
start = np.array([0, 0])
goal = np.array([8, 8])
obstacles = [np.array([5, 5, 1]), np.array([7, 3, 1])]
rrt = RRTStar(start, goal, obstacles)
path = rrt.plan()
x, y = zip(*path)
plt.plot(x, y, 'b-o')
plt.plot(start[0], start[1], 'go')
plt.plot(goal[0], goal[1], 'ro')
plt.show()

Экзаменационный билет 11
Теоретическая часть:

1. Объясните, как глубокие нейронные сети применяются в задачах компьютерного зрения для робототехники. Приведите пример использования.

Ответ: Глубокие нейросети, такие как CNN, используются для детекции объектов, сегментации и распознавания. Пример: YOLO для реального времени обнаружения препятствий на дроне.

2. Какие требования предъявляет стандарт ISO 13482 к медицинским роботам? Назовите ключевые аспекты.

Ответ: ISO 13482 регулирует безопасность, включая защиту от механических, электрических и тепловых рисков, а также требования к программному обеспечению и взаимодействию с пациентом.

Практическая часть:
Реализуйте простую нейронную сеть для предсказания показаний датчика с использованием PyTorch.

import torch
import torch.nn as nn
import torch.optim as optim

# Пример данных: вход — показания датчика, выход — предсказание
X = torch.tensor([[0.5], [1.0], [1.5], [2.0]], dtype=torch.float32)
y = torch.tensor([[1.0], [2.0], [3.0], [4.0]], dtype=torch.float32)

# Модель
class SensorModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(1, 1)
    def forward(self, x):
        return self.linear(x)

model = SensorModel()
criterion = nn.MSELoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# Обучение
for epoch in range(100):
    predictions = model(X)
    loss = criterion(predictions, y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# Тестирование
test_input = torch.tensor([[2.5]], dtype=torch.float32)
print("Предсказание:", model(test_input).item())

Экзаменационный билет 12
Теоретическая часть:

1. В чём основное отличие ROS 2 от ROS 1? Как DDS улучшает коммуникацию в робототехнических системах?

Ответ: ROS 2 использует DDS (Data Distribution Service) для децентрализованной коммуникации, что обеспечивает надёжность, масштабируемость и поддержку реального времени.

2. Какие технологии 3D-печати используются в робототехнике? В чём преимущества SLS перед FDM?

Ответ: SLS (селективное лазерное спекание) позволяет создавать сложные геометрии без опор, в то время как FDM ограничен слоистой структурой и необходимостью опор.

Практическая часть:
Симулируйте движение мобильного робота с использованием дифференциальной кинематики и визуализируйте траекторию.

import numpy as np
import matplotlib.pyplot as plt

# Параметры робота
wheel_radius = 0.1  # м
wheel_distance = 0.5  # м
time_step = 0.1  # с

# Управление: линейная и угловая скорости
v = 0.5  # м/с
w = 0.2  # рад/с

# Начальные координаты
x, y, theta = 0.0, 0.0, 0.0

trajectory = []
for _ in range(100):
    # Дифференциальная кинематика
    vl = v - (w * wheel_distance) / 2
    vr = v + (w * wheel_distance) / 2
    dx = (vl + vr) / 2 * np.cos(theta) * time_step
    dy = (vl + vr) / 2 * np.sin(theta) * time_step
    dtheta = (vr - vl) / wheel_distance * time_step
    x += dx
    y += dy
    theta += dtheta
    trajectory.append((x, y))

# Визуализация
x_vals, y_vals = zip(*trajectory)
plt.plot(x_vals, y_vals, label='Траектория')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Движение робота')
plt.legend()
plt.grid()
plt.show()

Экзаменационный билет 13
Теоретическая часть:

1. Что такое SLAM и как он используется в автономных автомобилях? Назовите ключевые компоненты.

Ответ: SLAM (Simultaneous Localization and Mapping) — одновременная локализация и картография. Ключевые компоненты: фильтр Калмана, частицный фильтр, сопоставление данных LiDAR/камеры.

2. Какой стандарт регулирует кибербезопасность в промышленных роботах? Какие меры защиты предлагаются?

Ответ: IEC 62443. Меры: шифрование данных, контроль доступа, обновление прошивки, защита от DDoS-атак.

Практическая часть:
Реализуйте простой SLAM-алгоритм с использованием фильтра Калмана и данных LiDAR.

import numpy as np

class KalmanSLAM:
    def __init__(self):
        self.state = np.zeros(3)  # x, y, theta
        self.covariance = np.eye(3)

    def predict(self, control, dt):
        v, w = control
        x, y, theta = self.state
        # Модель движения
        self.state[0] += v * np.cos(theta) * dt
        self.state[1] += v * np.sin(theta) * dt
        self.state[2] += w * dt
        # Обновление ковариации
        J = np.array([[1, 0, -v * np.sin(theta) * dt],
                      [0, 1, v * np.cos(theta) * dt],
                      [0, 0, 1]])
        self.covariance = J @ self.covariance @ J.T + np.diag([0.1, 0.1, 0.05])

    def update(self, measurement):
        # Обновление на основе данных LiDAR
        H = np.array([[1, 0, 0], [0, 1, 0]])
        z = np.array(measurement[:2])
        y = z - H @ self.state
        S = H @ self.covariance @ H.T + np.diag([0.5, 0.5])
        K = self.covariance @ H.T @ np.linalg.inv(S)
        self.state += K @ y
        self.covariance = (np.eye(3) - K @ H) @ self.covariance

# Пример использования
slam = KalmanSLAM()
for _ in range(10):
    slam.predict(control=(0.5, 0.1), dt=0.1)
    slam.update(measurement=(1.0, 2.0))  # Пример данных LiDAR
print("Оценка позиции:", slam.state)

Экзаменационный билет 14
Теоретическая часть:

1. Что такое мягкие роботы? Какие материалы и технологии используются для их создания?

Ответ: Мягкие роботы — гибкие устройства, использующие эластомеры, гидрогели и пневматические приводы. Примеры: робот-грип, схваты для хрупких объектов.

2. Какие методы применяются для тестирования и верификации робототехнических систем? Приведите пример.

Ответ: Методы: симуляция (Gazebo), A/B-тестирование, нагрузочное тестирование. Пример: проверка времени реакции манипулятора на команды в ROS.

Практическая часть:
Реализуйте симуляцию мягкого робота с пневматическими приводами в PyBullet.

import pybullet as p
import time

# Инициализация
physicsClient = p.connect(p.GUI)
p.setGravity(0, 0, -10)

# Создание мягкого робота (упрощённая модель)
robot = p.loadURDF("soft_robot.urdf")

# Управление пневматическим приводом
for i in range(1000):
    p.setJointMotorControl2(bodyUniqueId=robot, jointIndex=0, controlMode=p.VELOCITY_CONTROL, targetVelocity=0.1)
    p.stepSimulation()
    time.sleep(1./240.)

p.disconnect()

Экзаменационный билет 15
Теоретическая часть:

1. Что такое swarm robotics? Какие алгоритмы используются для координации группы роботов?

Ответ: Swarm robotics — управление группой роботов через децентрализованные алгоритмы, такие как муравьиные алгоритмы, поведенческие правила или рой-интеллект.

2. Как квантовые сенсоры применяются в навигации роботов? Приведите пример.

Ответ: Квантовые сенсоры (например, NV-центры в алмазе) измеряют магнитные поля и гравитацию с высокой точностью. Пример: навигация подводных роботов без GPS.

Практическая часть:
Реализуйте алгоритм RRT для поиска пути в 2D-среде.

import numpy as np
import matplotlib.pyplot as plt

class RRT:
    def __init__(self, start, goal, obstacles):
        self.start = start
        self.goal = goal
        self.obstacles = obstacles
        self.nodes = [start]

    def plan(self, iterations=100):
        for _ in range(iterations):
            rand_point = np.random.rand(2) * 10
            nearest = min(self.nodes, key=lambda x: np.linalg.norm(x - rand_point))
            new_node = nearest + (rand_point - nearest) * 0.1
            if not self.in_collision(new_node):
                self.nodes.append(new_node)
        return self.nodes

    def in_collision(self, point):
        for obs in self.obstacles:
            if np.linalg.norm(point[:2] - obs[:2]) < obs[2]:
                return True
        return False

# Пример использования
start = np.array([0, 0])
goal = np.array([8, 8])
obstacles = [np.array([5, 5, 1]), np.array([7, 3, 1])]
rrt = RRT(start, goal, obstacles)
path = rrt.plan()
x, y = zip(*path)
plt.plot(x, y, 'b-o')
plt.plot(start[0], start[1], 'go')
plt.plot(goal[0], goal[1], 'ro')
plt.show()