Але схоже для України як завжди(

Хто не вчиться той москаль)

Забудьте про школи, університети, ще пару років і вони стануть пережитком минулого.

#Google та інші компанії активно розроблять ШІ вчителів, які замінять дуже скоро людей.

Чому це круто?

1. Доступ до будь яких знань. Ваш рівень знань вже не залежить від грошей і рівня вашого вчителя.

2. Ніяких психологічних проблем. Не кожен вчитель може знайти підхід до учня та здатен це зробити серед 30+ дітей. ШІ будує программу конкретно під вас.

3. Доступність для всіх. Забудьте про борги за університет, та десятки і сотні тисячі долларів витрачені на навчання. Воно стає доступним майже кожному.

4. 24/7 Ви вчитесь тоді коли вам зручно. Кінець недосипам, красним очам і т.п. Вчитель з вами постійно. А це значно покращує рівень заглиблення в матеріал.

5. Кінець монотонному запам'ятовуванню. Тепер навчання це діалог з колегою, пошук істини, та відсутність меж для вашої подорожі.

Але починати можна вже зараз. Вже сьогодні ШІ здатен дати більше ніж будь який вуз на планеті. Вам тільки треба запитати.

🤖 А вы задумывались когда-то как работает ваш робот-пылесос? Сегодня немного об этом расскажу.

👾 Как работает LIDAR

LIDAR (Light Detection And Ranging) - это вращающийся лазерный дальномер, который несколько раз в секунду обходит всю комнату по кругу и замеряет расстояние до ближайших препятствий в каждой точке по углу.

Выход: массив пар (угол, расстояние) для каждого сканирования.

👾 Преобразование LIDAR-данных в карту квартиры

SLAM - Simultaneous Localization And Mapping

Алгоритм, который строит карту и одновременно определяет своё положение на ней, называется SLAM. Практически все современные роботы используют либо классический 2D SLAM, либо вариации (например, Cartographer от Google, GMapping, HectorSLAM).

Простая последовательность:

1. Сканирование: Робот получает "кольцо" точек вокруг себя (точки препятствий).

2. Оценка перемещения: Сравнивает текущее сканирование с предыдущим, чтобы понять, как он сдвинулся (обычно через ICP — Iterative Closest Point).

3. Оценка по одометру: Использует данные с колес (если есть) для уточнения перемещения.

4. Построение карты: Накапливает "облака точек" на сетке (обычно Occupancy Grid Map, где каждая клетка — свободна/занята/неизвестна).

5. Коррекция ошибок: Со временем использует методы "закрытия циклов" - если робот приехал в уже изученное место, корректирует свою карту и положение.

Итог: Получается карта квартиры в виде 2D-сетки (grid map), где видно стены, проходы, мебель.

👾 Как ездит робот по построенной карте

1. Локализация

В реальном времени робот продолжает использовать LIDAR, чтобы:

Сверять текущий круг LIDAR с картой (amcl - adaptive Monte Carlo localization, или particle filter).

Всегда знать, где он находится на карте (даже если его подвинуть руками).

2. Навигация и планирование маршрута

Два уровня:

1. Глобальный путь (Global Path Planning):
Алгоритмы типа A* или Dijkstra строят кратчайший путь по “чистой” карте (без учета динамических препятствий).


2. Локальный путь (Local Path Planning):
Робот смотрит ближайшее окружение (например, 1-2 метра) и строит траекторию с учетом новых препятствий (стул, ноги и т.д.), используя данные LIDAR в реальном времени (алгоритмы типа DWA — Dynamic Window Approach, или TEB — Timed Elastic Band).

Процесс:

Выбирается следующая “цель” (точка, участок для уборки).

Глобальный планировщик строит маршрут.

Локальный планировщик корректирует траекторию по свежим данным с LIDAR.

Робот двигается, всё время уточняя своё положение.

👾 Как работает в куче

1. LIDAR рисует "кольцо" вокруг робота
2. SLAM “сшивает” кольца друг с другом → карта
3. Робот узнает своё место на карте
4. Планирует путь с учётом карты
5. Едет, реагирует на изменения по LIDAR в реальном времени

👾 Примерная структура используемых алгоритмов

LIDAR scan → Preprocessing → SLAM (карта + позиция)

Карта + позиция + цели → Path Planning (A*, DWA и т.п.)

Движение → новые LIDAR данные → корректировка

👉 Подпишитесь что бы не пропустить интересное

Поиграться можно с таким в Gazebo или Webots симуляторах.

Особо мощные товарищи могут написать свой симулятор)

Приятно когда большую часть твоего подхода используют в Netflix.
Хотя добавив ИИ агенти с индексацией документации + сделав DaaC(Doca as a Code)
можно сделать еще лучше

https://share.google/I5oNDFDDqMELlkUzf

Ставим плюсики в коментах если хотим гайд
https://www.linkedin.com/posts/creotiv_softwarearchitect-activity-7346122096294453249-B9q2?utm_source=share&utm_medium=member_desktop&rcm=ACoAAAPl0X4BWZSqccqAVcirdBAwe5jWKVOQ9fI

Десь так виглядає наш притулок зараз коли котики їдять.

Нажаль через відсутність коштів довелося закрити другий притулок.

Тому друзі дуже прошу, допомагати нам бо 200+ тварин, і зрізати кошти нам більше немає як(

Треба 10к грн на ліки, забрати 8 тварин з кіліні і разні дрібниці
https://send.monobank.ua/jar/2gZtoPjyMR

Збори на оплату лікарні і їжі. Треба 150к грн
https://uah.fund/donate