Проект представляет метод автономной навигации дронов на высокой скорости с помощью Visual-Language-Action (VLA) моделей, имитирующих поведение пилота-человека. Алгоритмы адаптируют стратегию полёта в реальном времени на основе визуальных и языковых данных.
Обучение на датасете гоночных дронов позволило добиться высокой обобщающей способности даже в сложных условиях. RaceVLA открывает новые возможности для автономных полётов, включая гонки и доставку грузов.

Инновационная система локализации сочетает 4D-радар и кинематику ног, обеспечивая точное позиционирование там, где камеры и LiDAR бесполезны — в снегу, тумане и при низкой видимости.
Локализация работает на данных радара, 12 моторов робота-собаки и MEMS-датчиков, а картографирование — на нейросети для сопоставления участков карты.
Испытания в кампусе Сколтеха и на длинных маршрутах подтвердили точность топовых аналогов при в 10 раз меньшей стоимости. Система компактна и работает автономно в реальном времени.

Гетерогенный рой роботов с ИИ для автономной логистики в неструктурированных средах. Ключевое преимущество - распределение задач между специализированными агентами для работы в неизвестных условиях.
Исследования включают:
Рой использует новую систему MAGNNET для глубокого обучения с подкреплением и графовыми нейронными сетями ( DRL + GNN) для распределения задач и генерации маршрутов роботов, а также технологии посадки роя БПЛА на мобильные платформы.

Морфогенетический мультироторный беспилотный летательный аппарат. MorphoGear способен приземляться на неровную или подвижную поверхность и устойчиво перемещаться по ней. Беспилотник сможет инспектировать вышки сотовой связи, заряжать роботов в воздухе и на земле, доставлять грузы, а также выполнять высотные работы. Кроме того, он выполняет функцию дрона-авианосца для нескольких микро-дронов.

AIDA-T (Agrobotic Intelligent Data Analyzer for Tomatoes) – автономная система мониторинга томатов в промышленных теплицах. Система обеспечивает круглосуточную диагностику заболеваний и оценку урожайности, автоматизируя традиционные и рутинные методы контроля с использованием ресурса агрономов.

Для обработки полученных данных система использует CNN-модель, демонстрирующую точность 0.86-0.87 при детекции мучнистой росы. Оценка объема плодов реализована двумя параллельными методами - на основе алгоритма RANSAC и нейросетевого подхода PointNet, оба из которых показывают сопоставимую точность с ошибкой около 10%. Метрики были получены на плодах томата сорта Филаменко и мандаринах