Автономный мобильный робототехнический комплекс, предназначенный для автоматизированной дефектовки днища легковых автомобилей и удалённой приёмки транспортных средств с использованием технологий компьютерного зрения и дополненной реальности (AR). Продукт
Основная информация
Название :
Автономный мобильный робототехнический комплекс, предназначенный для автоматизированной дефектовки днища легковых автомобилей и удалённой приёмки транспортных средств с использованием технологий компьютерного зрения и дополненной реальности (AR). Продукт
Организация-исполнитель :
Автор предложения:
Основное технологическое направление :
Информационно-телекоммуникационные системы и программное обеспечение
Дополнительные технологические направления :
Информационно-телекоммуникационные системы и программное обеспечение
Дата публикации:
08.05.2026
Видимость :
Да
Аннотация:
Создание мобильного роботизированного комплекса для автоматической дефектовки днища транспортных средств с использованием технологий компьютерного зрения.
Цель проекта: Разработка и создание опытного образца автономного мобильного робота-инспектора для высокоточной дефектовки днища легковых автомобилей, обеспечивающего автоматизацию контроля качества на конвейерных линиях (ОТК) и удаленную экспертизу через AR-интерфейс, с последующей подготовкой к серийному выпуску.
Суть проекта: Проект направлен на решение проблемы дефицита квалифицированных кадров и субъективности ручного контроля днища автотранспорта, а также импортозамещение дорогостоящих стационарных систем (UVeye, Elscope Vision). Разрабатываемый комплекс представляет собой низкопрофильную (120 мм) мобильную платформу на омни-колесах. Ключевая инновация заключается в гибридной системе навигации (SLAM), сочетающей данные инерциального модуля, колесных энкодеров и стереокамеры с активным ИК-лазерным текстурированием (850 нм). Это позволяет роботу уверенно позиционироваться под днищем в условиях отсутствия освещения и визуальных ориентиров, обеспечивая точность фиксации дефекта ≤2 мм.
Программная обработка включает нейросетевую детекцию дефектов (YOLOv8) с верификацией через сравнение с CAD-эталоном, что гарантирует объективность контроля (вероятность обнаружения ≥95%, ложных срабатываний ≤5%). Видеопоток с наложенными AR-маркерами передается удаленному эксперту в реальном времени задержкой менее 150 мс, позволяя одному специалисту обслуживать несколько производственных линий.
Новизна и преимущества:
1. Технологическая новизна: Впервые применен гибридный SLAM с лазерным структурированием для навигации в «слепой зоне» под кузовом автомобиля (заявка в ФИПС подана).
2. Функциональное преимущество: Единственный мобильный комплекс (не требует стройки/реконструкции), сочетающий высокоточное 3D-сканирование и удаленную AR-экспертизу.
3. Экономическая эффективность: Сокращение времени осмотра с 30 минут до 3 минут (в 10 раз), стоимость готового изделия (≈3,5 млн руб.) на 30-50% ниже зарубежных аналогов.
Ожидаемые результаты НИОКР:
2 опытных образца, комплект конструкторской документации, исходный код бортового ПО (ROS 2), нейросетевая модель детекции, свидетельства на 2 программы для ЭВМ, заявка на полезную модель.
Цель проекта: Разработка и создание опытного образца автономного мобильного робота-инспектора для высокоточной дефектовки днища легковых автомобилей, обеспечивающего автоматизацию контроля качества на конвейерных линиях (ОТК) и удаленную экспертизу через AR-интерфейс, с последующей подготовкой к серийному выпуску.
Суть проекта: Проект направлен на решение проблемы дефицита квалифицированных кадров и субъективности ручного контроля днища автотранспорта, а также импортозамещение дорогостоящих стационарных систем (UVeye, Elscope Vision). Разрабатываемый комплекс представляет собой низкопрофильную (120 мм) мобильную платформу на омни-колесах. Ключевая инновация заключается в гибридной системе навигации (SLAM), сочетающей данные инерциального модуля, колесных энкодеров и стереокамеры с активным ИК-лазерным текстурированием (850 нм). Это позволяет роботу уверенно позиционироваться под днищем в условиях отсутствия освещения и визуальных ориентиров, обеспечивая точность фиксации дефекта ≤2 мм.
Программная обработка включает нейросетевую детекцию дефектов (YOLOv8) с верификацией через сравнение с CAD-эталоном, что гарантирует объективность контроля (вероятность обнаружения ≥95%, ложных срабатываний ≤5%). Видеопоток с наложенными AR-маркерами передается удаленному эксперту в реальном времени задержкой менее 150 мс, позволяя одному специалисту обслуживать несколько производственных линий.
Новизна и преимущества:
1. Технологическая новизна: Впервые применен гибридный SLAM с лазерным структурированием для навигации в «слепой зоне» под кузовом автомобиля (заявка в ФИПС подана).
2. Функциональное преимущество: Единственный мобильный комплекс (не требует стройки/реконструкции), сочетающий высокоточное 3D-сканирование и удаленную AR-экспертизу.
3. Экономическая эффективность: Сокращение времени осмотра с 30 минут до 3 минут (в 10 раз), стоимость готового изделия (≈3,5 млн руб.) на 30-50% ниже зарубежных аналогов.
Ожидаемые результаты НИОКР:
2 опытных образца, комплект конструкторской документации, исходный код бортового ПО (ROS 2), нейросетевая модель детекции, свидетельства на 2 программы для ЭВМ, заявка на полезную модель.
Решаемые проблемы и области применения
Решаемые проблемы :
Проект решает проблему неэффективного и субъективного контроля днища автомобилей. Ручная инспекция требует подъёмника, занимает 30 минут и не даёт цифровой фиксации дефектов. Из-за дефицита экспертов ОТК производители несут высокие гарантийные расходы (отзывные кампании). Импортные стационарные аналоги стоят дорого и требуют реконструкции цеха.
Актуальность проблемы:
В условиях жесткой конкуренции и дефицита кадров российский автопром остро нуждается в автоматизации критически важного этапа контроля качества. Традиционный ручной осмотр днища, требующий до 30 минут на автомобиль и не обеспечивающий объективной цифровой фиксации, стал узким местом на конвейерах «АвтоВАЗа» и в дилерских центрах.
Кадровый голод. По данным Минпромторга, до 2030 года автомобилестроению требуется 211 тыс. специалистов, а дефицит автомехаников уже превышает 150 тыс. человек. Это делает невозможным поддержание высокого качества осмотра вручную.
Экономические потери. В 2023–2024 годах в России было отозвано более 380 тыс. автомобилей из-за невыявленных дефектов. Каждая такая кампания обходится производителю в десятки миллионов рублей, ложась тяжелым бременем на себестоимость.
Технологическая зависимость. После ухода Bosch и Continental, а также китайских поставщиков, российские заводы остались без современного контрольного оборудования, вынуждены платить на 30–50% выше за параллельный импорт.
Проект не только автоматизирует процесс, сократив его с 30 до 3 минут, но и полностью локализует производство, обеспечивая технологический суверенитет РФ.
Потенциальный экономический эффект:
Разрабатываемый мобильный робототехнический комплекс обеспечивает многоуровневый экономический эффект для предприятий автомобильной промышленности, дилерских центров и корпоративных автопарков.
Снижение потерь от гарантийных отзывов
В 2025 году отзывные кампании затронули 486,6 тыс. автомобилей в России. По данным «ПромРейтинг», только «АвтоВАЗ» отозвал около 134 тыс. машин, что стало рекордным показателем за последние пять лет. Затраты на одну отзывную кампанию могут достигать 1 млрд руб. (по оценке эксперта Автомобильной сервисной ассоциации). Автоматизированная дефектовка днища позволяет выявлять скрытые дефекты на конвейере до попадания автомобиля к потребителю, что напрямую сокращает масштаб гарантийных отзывов и связанные с ними многомиллионные издержки производителя.
Сокращение затрат на контроль качества
Ручная инспекция днища занимает до 30 минут на автомобиль, требует участия как минимум двух квалифицированных инспекторов ОТК, а также наличия подъёмного оборудования или смотровой ямы. Роботизированный комплекс «АВАТАР-ДРОН» сокращает время контроля до 3 минут, обеспечивая 10‑кратное повышение производительности участка ОТК. Экономия на заработной плате инспекторов только на одном посту (с учётом замены двух специалистов и их страховых отчислений) составляет более 3 млн руб. в год. При этом один удалённый эксперт через AR-интерфейс способен обслуживать до 10 – 15 линий, дополнительно сокращая потребность в высококвалифицированных кадрах (дефицит которых в отрасли превышает 150 тыс. специалистов по данным Минпромторга).
Снижение операционных издержек у дилеров и автопарков
Для дилерских центров роботизированная приёмка сокращает время обслуживания клиента (с 30 до 3 минут), повышая проходимость сервисной зоны и лояльность клиентов. Для корпоративных автопарков и лизинговых компаний объективная цифровая фиксация дефектов при возврате автомобиля исключает спорные ситуации и снижает потери от некорректной оценки повреждений.
Повышение конкурентоспособности производителей
Аналогичный проект ГАЗ по созданию цифровой платформы управления качеством оценивается в 156 млн руб. (из них 76 млн руб. — грантовая поддержка), что демонстрирует масштаб интереса предприятий к автоматизации качества. Как показывает опыт КАМАЗа, активное внедрение систем контроля на базе ИИ позволяет планово снижать коэффициент брака до 1,7 против 2,1 в 2024 году. «АВАТАР-ДРОН» позволяет предприятию получить наглядное конкурентное преимущество, подтверждённое аудируемыми цифровыми данными о качестве каждого выпущенного автомобиля.
Импортозамещение и снижение CAPEX
Комплекс не требует реконструкции помещений (в отличие от стационарных зарубежных аналогов UVeye и Elscope Vision, цена которых достигает $150–200 тыс.). Благодаря мобильной конструкции снижаются пороговые затраты на внедрение (CAPEX) и обеспечивается технологическая независимость автопроизводителей. Возможность работы в модели «робот как услуга» (RaaS) с оплатой только за выполненные инспекции дополнительно снижает финансовые риски клиентов при старте использования технологии.
Технологическая схема:
Процесс инспекции можно представить в виде последовательности из семи основных этапов:
Постановка задачи. Система получает задание на инспекцию, которое включает идентификационный номер автомобиля (VIN) и его модель. На основе этих данных загружается эталонная CAD-модель днища.
Автономное перемещение к объекту. Робот, ориентируясь с помощью встроенных датчиков (лазерные сканеры безопасности, система компьютерного зрения), покидает место базирования и подъезжает к транспортному средству.
Позиционирование и заезд под днище. Платформа с помощью гибридной системы навигации (SLAM), объединяющей данные с камер, одометрии и инерциального модуля (IMU), точно заезжает под автомобиль. Сменные аккумуляторы обеспечивают непрерывную работу.
Сканирование и 3D-реконструкция. Сенсорный блок на базе стереокамеры Intel RealSense D435 и мощного вычислителя NVIDIA Jetson AGX Orin сканирует днище, создавая его точную 3D-модель (облако точек).
Обнаружение и верификация дефектов. Встроенный искусственный интеллект анализирует 3D-модель. Нейросеть (YOLOv8) выявляет потенциальные дефекты, а затем специальный алгоритм сравнивает их геометрию с эталонной CAD-моделью для финального подтверждения.
Удалённая экспертиза с AR. Обнаруженные дефекты в реальном времени (задержка <150 мс) транслируются эксперту через веб-интерфейс с наложением маркеров дополненной реальности (AR). Эксперт вносит окончательные корректировки и подтверждает результаты.
Формирование цифрового паспорта. Все данные об инспекции, VIN, обнаруженных дефектах и их координатах сохраняются в базе данных и передаются во внешние системы предприятия (MES/ERP) для дальнейшей аналитики и отчётности.
Области применения:
Машиностроение и ОПК
Технология
Описание технологии и ее ценность :
Технология: автономный робот на омни-колёсах высотой 120 мм заезжает под автомобиль. Гибридная навигация (SLAM + ИК-лазерное текстурирование) обеспечивает позиционирование дефектов с точностью ≤2 мм в условиях отсутствия GPS. Нейросеть (YOLOv8) обнаруживает дефекты, а их геометрическая верификация через CAD-эталон исключает ложные срабатывания. Результат — цифровой паспорт автомобиля. Удалённый AR-эксперт (задержка <150 мс) подтверждает брак.
Ценность: Сокращение времени осмотра с 30 мин до 3 мин, снижение гарантийных отзывов, импортозамещение
Научная база :
Основой автономности робота является система технического зрения и гибридная навигация (SLAM). Этот метод одновременно решает задачи локализации (определения местоположения робота) и построения карты окружающего пространства.
Мультисенсорная фузия: Современные исследования подтверждают подход, заложенный в вашем проекте. Эффективная навигация в реальных, зачастую динамичных, условиях достигается за счет объединения данных от нескольких датчиков. Например, интеграция инерциального измерительного модуля (IMU), лидара и RGB-D камеры в единую архитектуру позволяет создать устойчивую систему SLAM для мобильных роботов.
Работа без GPS: Важно отметить, что научный задел в этой области существует. Кроме того, работы по созданию компактных решений для автономной работы роботов в средах без доступа к сигналам спутников (например, в тоннелях или под днищем автомобиля) ведутся в рамках исследовательских проектов, таких как UniPilot, обеспечивая автономность в GPS-отрицательных средах.
Специализированные системы SLAM: Для специфических задач, таких как инспекция труднодоступных объектов, разрабатываются и совершенствуются специализированные SLAM-фреймворки. Это подтверждает, что использование SLAM в качестве основы для инспекционных роботов (ваш «АВАТАР-ДРОН») является актуальным и перспективным направлением.
Дефектовка на основе компьютерного зрения
Автоматическая дефектовка поверхности — это область активных научных исследований. Для ее решения применяются два основных подхода, которые успешно сочетаются в проекте.
1. Нейросетевое обнаружение
Современные сверточные нейросети демонстрируют высокую эффективность в задачах визуального контроля качества.
Применение YOLOv8: Непосредственная актуальность архитектуры YOLO для решения вашей задачи подтверждается научными работами, в частности, одним из предлагаемых методов для инспекции кузовных деталей является использование легковесных нейросетей, созданных на базе YOLOv8. Это говорит о том, что выбранный вами технологический стек находится на передовом крае научно-технического прогресса.
Рост точности: Исследования показывают, что системы с применением глубокого обучения способны обеспечивать высокоточную и надежную детекцию поверхностных дефектов кузова.
2. Верификация по CAD-эталону
Метод сравнения 3D-карты с CAD-моделью — это не просто инженерное решение, но и область академических исследований, направленных на создание систем, способных не только обнаруживать, но количественно оценивать дефекты.
Удаленная AR-экспертиза
Применение дополненной реальности для удаленной поддержки и контроля — это зрелая и активно внедряемая технология в промышленности.
"See-what-I-see" (SWIS): Тенденция заключается в интеграции систем удаленного взаимодействия, где эксперт видит то же, что и оператор. Такие технологии являются готовыми решениями для быстрого развертывания удаленного опыта в промышленной среде, как в случае с решениями типа Frontline Assist.
Актуальность для отрасли: AR-инструменты для ремонта и диагностики уже оцениваются как приоритетное направление, повышающее скорость и качество работы, особенно для сложной электроники.
Российские исследования
При подготовке заявки будет полезно сослаться на работы российских ученых.
В 2025 году был опубликован ряд научных работ по автоматизации контроля качества в российском автомобилестроении:
Комплексный анализ: Была проведена комплексная оценка современных систем контроля качества в автомобильной промышленности, в рамках которой были изучены роботизированные комплексы, системы машинного зрения и цифровизация производственных процессов.
Академические исследования: Аналогичные исследования подтверждают перспективность применения машинного зрения, роботизированных систем и предиктивной аналитики для создания "умного" производства, где QA/QC специалисты могут переключаться на более интеллектуальные задачи поиска корневых причин несоответствий.
Мультидисциплинарные проекты: Кроме того, ведутся разработки по созданию интегрированных программно-технических комплексов, которые сочетают методы компьютерного зрения и роботизированного управления для контроля разнородных узлов в автомобилестроении.
Конкурентные технологии :
Российский рынок систем интеллектуальной инспекции автомобилей переживает этап активного формирования. После ухода западных вендоров освободившуюся нишу начали заполнять как международные, так и отечественные разработки. Условно конкурентную среду можно разделить на три ключевых кластера.
1. Программные AI-решения (Мягкие конкуренты)
Этот сегмент представлен продуктами, которые не производят собственное оборудование, а предлагают анализ загруженных изображений (фото и видео). Привлекательность таких решений для заказчика — низкий порог входа и отсутствие затрат на тяжёлое оборудование.
Ravin AI (Израиль/США): Один из лидеров рынка, привлёкший за 10 лет существования $35 млн инвестиций и обучивший свою систему на базе из 2 млрд изображений. Среди их клиентов — глобальные лизинговые гиганты Avis и Hertz. В 2025 году компания начала предлагать свои услуги и частным водителям для защиты от необоснованных претензий по страховке.
DeGould (Великобритания): Специализируется на полностью автоматической фиксации ущерба при передаче автомобилей от OEM-производителей и в их логистических цепочках. Их система AutoCompact использует комбинацию технологий освещения (белый свет, темное поле) для захвата сотен изображений в секунду.
Tractable (Великобритания): Ещё один игрок, сфокусированный на AI-оценке ущерба для страховщиков, входящий в перечень ключевых компаний на этом рынке.
Ключевое отличие проекта: Все перечисленные решения — это «софт», требующий ручной съёмки оператором и наличия подъёмника для осмотра днища. Они не автоматизируют процесс сбора данных, а только анализируют их. Ваш конкурент — это не столько аналоги, сколько технология следующего уровня.
2. Стационарные системы визуального контроля (Прямые конкуренты для массового потока)
Основной класс оборудования, с которым придётся конкурировать, особенно при работе с крупными автопроизводителями и логистическими центрами.
UVeye (Израиль): Мировой технологический лидер, называющий свои системы "МРТ для автомобилей". Технология сканирует кузов, шины и днище за считанные секунды, формируя отчёты о механических, структурных и безопасностных проблемах. Это главный прямой конкурент, однако он требует «контактного» проезда автомобиля через стационарную арку.
Elscope Vision (Китай / NTA): Основной конкурент UVeye в Азии, специализирующийся на безопасности (поиск взрывчатки, контрабанды) и контроле качества. Их решения, в отличие от других, часто поддерживают мобильный сбор данных.
ISS SecurOS® UVSS (США): Система, схожая по принципу работы с машиной для проезда, но ориентированная исключительно на безопасность: поиск взрывчатки, оружия и контрабанды под днищем с помощью AI-аналитики за 3 секунды.
Глобальные TIC-гиганты: DEKRA, TÜV SÜD, Applus+ и другие, которые традиционно доминируют на рынке услуг по осмотру, сертификации и тестированию. Они также представляют жёсткую конкуренцию, интегрируя современные технологии в свои услуги.
3. Специализированное роботизированное оборудование (Ближайшие технические аналоги)
Это самый близкий аналог продукта по исполнению, так как включает мобильную платформу, которая заезжает под автомобиль и самостоятельно проводит сканирование.
Nuctech (Китай): Крупный государственный производитель систем безопасности. К концу 2025 года они получили экспертное заключение о "международном уровне" разработки для своего интеллектуального робота для осмотра днища. Робот способен самостоятельно позиционироваться, двигаться посередине, объезжать препятствия и возвращаться на базу.
Huawei Cloud: Предлагает собственное решение, где данные с датчиков мобильного осмотра передаются на облачную платформу для анализа.
AD-UVS531 (Китай): Представляет собой управляемый с планшета робот для сканирования днища и обнаружения подозрительных предметов.
Ключевое отличие от роботизированных аналогов: Основной фокус китайских роботов — безопасность и борьба с контрабандой. Российские же компании, как следует из отраслевых обсуждений, всё ещё находятся на начальном этапе разработки универсальных «мобильных рук», сталкиваясь с проблемами калибровки и точности позиционирования.
Вывод: Стратегическая ниша продукта.
Проект занимает уникальную позицию на стыке трёх рыночных ниш:
Импортозамещение: На фоне жёсткой государственной политики по локализации производства, российским предприятиям требуются отечественные решения.
Качество vs. Безопасность: В отличие от китайского подхода (родом из безопасности), тематика специализируется на контроле качества и дефектовке кузова, что закрывает конкретную потребность автопроизводителей (ОТК) и дилеров (Trade-in).
Технологическое превосходство: мы создаём продукт, интегрирующий мобильную платформу, продвинутую навигацию в трудно предсказуемой среде и экспертный AR-интерфейс. Программные аналоги требуют ручного труда, а роботизированные — ещё не сделали ставку на высокоточную дефектовку.
Таким образом, несмотря на активность конкурентов во всех трёх лагерях, проект нацелен на новый, незанятый сегмент на стыке робототехники, производственного контроля и импортозамещения в автопроме РФ.
Инновационность технологии, конкурентные преимущества :
Гибридная навигация в «слепой зоне». В отличие от стандартных систем SLAM, теряющих ориентиры под днищем (чёрные маслянистые поверхности, отсутствие освещения), разработанный алгоритм объединяет данные IMU (1000 Гц), колесных энкодеров и стереокамеры с активным ИК-лазерным текстурированием (850 нм). Лазерный проектор создаёт искусственный точечный узор, позволяя роботу уверенно позиционироваться с точностью ≤2 мм в условиях полной темноты и визуальной бедности среды. Это первое применение подобного подхода для дефектовки днища в реальном производственном цикле.
Двухэтапная CAD-верификация дефектов. Традиционные AI-системы (UVeye, Ravin AI) полагаются исключительно на нейросети, что даёт вероятностный результат и порождает ложные срабатывания (до 10–15%). Наша технология сочетает быструю нейросетевую детекцию (YOLOv8) с последующим геометрическим сравнением полученного облака точек с эталонной CAD-моделью автомобиля (алгоритм ICP). Это обеспечивает объективную фиксацию дефекта по критерию «отклонение/допуск», снижая ложные срабатывания до ≤5% и позволяя выявлять микроскопические повреждения, незаметные для нейросети.
Промышленный AR-интерфейс удалённого эксперта. В отличие от программных решений, требующих ручной съёмки оператором, и стационарных арок, не поддерживающих удалённое взаимодействие, робот передаёт видеопоток с наложенными AR-маркерами через WebRTC с задержкой <150 мс. Эксперт может удалённо подтверждать/отклонять дефекты, добавлять комментарии и подписывать цифровой акт. Это превращает единичного высококвалифицированного специалиста в ресурс, обслуживающий до 10 производственных линий одновременно, решая проблему кадрового дефицита в ОТК.
Мобильность vs. стационарность. В отличие от мировых лидеров UVeye и Elscope Vision, требующих строительства въездных порталов и бетонирования ям, наш дрон – полностью мобильная платформа на омни-колесах высотой 120 мм. Она не требует реконструкции помещений, может работать на любой линии конвейера, в любом дилерском центре или автопарке, а её стоимость на 30–50% ниже зарубежных аналогов. Резюме: Единственное решение, сочетающее мобильность, высокоточную навигацию в условиях отсутствия GPS, объективную CAD-верификацию дефектов и промышленный AR-интерфейс удалённого эксперта. При этом цена продукта на 30–50% ниже прямых стационарных аналогов, а окупаемость для заказчика – от 1 до 1,5 года.
Потенциал импортозамещения :
Разрабатываемый продукт позволяет заменить несколько классов импортных технологий, обеспечивая технологический суверенитет в сфере контроля качества автомобилей.
1. Стационарные системы AI-инспекции лидеров рынка. В первую очередь это израильская система UVeye, которая, по данным конкурента, привлекла около $390 млн от таких гигантов, как General Motors, Volvo Cars и Toyota Motor, а также китайская Elscope Vision, используемая в 40+ странах, и американская DeGould. Все они — стационарные арки или рамные сканеры. Их ключевой недостаток — высокая стоимость и необходимость реконструкции помещений, что делает массовое внедрение в России сложным. Наше изделие не требует остановки конвейера или строительства капитальных сооружений.
2. Программные AI-платформы, такие как Ravin AI, которая «обучила свою систему на базе из 2 млрд изображений», и Tractable. Их решение — это только программное обеспечение для анализа фото. Они не решают проблему автоматического сбора данных, требуя для съемки и оператора, и подъёмника.
Технологии, которые должен был заменить проект, на самом деле были в основном ориентированы на поиск посторонних предметов и обеспечение безопасности, включая оружие, наркотики и взрывчатые вещества.
Главное преимущество робота, которое отличает его от представленных аналогов и упомянутых в отчете TechNavio решений, — это полная мобильность без привязки к инфраструктуре. Он объединяет в себе роботизированную платформу и возможность удаленного анализа дефектов в режиме реального времени с использованием CAD-эталонов.
Текущее состояние
Стадия готовности :
TRL 2. Концепция
Описание текущего состояния :
Разработан лабораторный прототип, подтверждены базовые алгоритмы SLAM и нейросетевой детекции. Подготовлена заявка на полезную модель в ФИПС. Сформирован полный пакет документации для ОКР, ведутся переговоры с АВТОВАЗом о пилотном внедрении.
Интеллектуальная собственность :
| Название документа | Заявка на полезную модель "Автономный мобильный робототехнический комплекс, предназначенный для автоматизированной дефектовки днища легковых автомобилей и удалённой приёмки транспортных средств с использованием технологий компьютерного зрения и дополненной реальности (AR)". |
Текущее финансирование (Описание) :
Готовится заявка на соискание гранта ФСИ по программе "Старт-1.
План развития :
| 2026 |
| Финансирование предполагается по треку «Старт-1» с грантом в размере 5 000 000 рублей* на выполнение ОКР в течение 12 месяцев. План работ на 1 полугодие 2026 года (Подготовка и НИР) I Квартал (Январь – Март) Предпроект и Заявка 1. Формирование команды (подписание договоров). 2. Утверждение ТЗ с индустриальным партнером (АВТОВАЗ). 3. Подача заявки на грант «Старт-1» в Фонд содействия инновациям. Письмо поддержки от АВТОВАЗа. II Квартал (Апрель – Июнь) НИР и Эскизный проект 1. Патентный поиск (ФИПС, WIPO) для проверки свободы реализации. 2. Сбор и анализ требований к зонам контроля ОТК. 3. Разработка эскизного проекта и архитектуры системы. Отчет о патентной чистоте (FTO). Утверждение Эскизного проекта (ЭП) и Технической архитектуры. План работ на 2 полугодие 2026 года (ОКР и Прототипирование). III Квартал (Июль – Сентябрь) Этап ОКР: ПО и Первый макет 1. Закупка ключевых компонентов (шасси OMNI OM400, вычислитель Jetson AGX Orin, сканер SICK). 2. Разработка базовых модулей ПО (SLAM, навигация). 3. Обучение нейросети (YOLOv8) на выборке дефектов. 4. Сборка и отладка первого лабораторного макета. Готовность первого макета для стендовых испытаний. Прототип нейросети (мAP >85%). IV Квартал (Октябрь – Декабрь) Этап ОКР: Прототипы и Испытания 1. Сборка второго опытного образца (верс. 0.9). 2. Калибровка сенсоров и инженерные испытания. 3. Разработка AR-интерфейса удаленного эксперта. 4. Подготовка и подача заявки на полезную модель в ФИПС. 2 опытных образца, готовых к предварительным испытаниям. Положительное решение Роспатента по заявке (приоритет 2026 г.). Паспорт изделия и эскиз КД. |
Команда проекта
Численность проектной команды :
4
Структура и компетенции команды :
В команде проекта: руководитель (опыт НИОКР в автопроме >10 лет), специалист по виртуальному проектированию (опыт НИОКР в автопроме >10 лет), инженер-электронщик (схемотехника, CAN, STM32), проектный менеджер. Компетенции подтверждены реализацией проектов в автопроме (АВТОВАЗ).
Члены команды :
| Кылосов Игорь Валерьевич. | Руководитель проекта. | Руководство проектом, взаимодействие с потенциальными контрагентами и институтами инновационного развития. подготовка и подача заявки в ФИПС на РИД. |
| Кылосов Сергей Валерьевич. | Специалист по виртуальному моделированию. | Конфигурирование и составление математической модели роботизированного комплекса. коррекция размерных параметров после сборки и проведения тестовых испытаний, формирование пакета конструкторско-технологической документации по проекту |
| Кылосова Дарья Игоревна. | Проектный менеджер. | Работа по продвижению проекта, ведение документооборота, взаимодействие с контрагентами, конфигурирование основных элементов устройства, лингвистика (работа с зарубежными контрагентами), ведение аккаунтов, взаимодействие со СМИ. |
| Ткаченко Михаил Викторович | Инженер-электронщик | Составление принципиальной схемы изделия, конфигурирование основных элементов, проверка работоспособности, интеграция с программным обеспечением, сопровождение комплекса испытательных мероприятий. |
Бизнес-модель
Целевые сегменты:
Автопроизводители (конвейерный контроль ОТК, снижение гарантийных отзывов), дилерские центры и СТО (объективная приёмка автомобилей при гарантии и Trade-in), корпоративные автопарки и лизинговые компании (фиксация повреждений при возврате/приемке транспортных средств).
Потребность в производственном партнёре :
Имеется необходимость в предоставлении производственной площадки (АО "АВТОВАЗ", требуется инженер программист с необходимым уровнем компетенций для написания серверного и бортового ПО
Ценностное предложение:
Сокращение времени контроля днища с 30 до 3 минут, снижение гарантийных отзывов и кадровой нагрузки. Объективная цифровая фиксация дефектов с точностью до 2 мм и удалённое подтверждение через AR. Мобильность: не требует реконструкции цехов. Окупаемость — от 1 года.
Оценка объема сегментов:
Автопроизводители (ОЕМ): ~45 автозаводов в РФ.
Дилерские центры: ~4 500 дилерских центров (у LADA — 333).
Корпоративные автопарки: ~2,2 млн автомобилей зарегистрировано на юридических лиц.
Объем рынка: Глобальный рынок AI-инспекции автомобилей в 2024 году оценивался в
465 млн. По прогнозом РОССТАТА рост до 2,64 млрд к 2034 году.
Каналы продаж и монетизация:
Каналы продаж
Прямые продажи B2B – работа с автопроизводителями (АВТОВАЗ, КАМАЗ, ГАЗ), дилерскими холдингами и лизинговыми компаниями через отдел продаж с индустриальной экспертизой.
Партнёрская сеть интеграторов – региональные партнёры (СТО, автосервисы) с комиссией 10–15% от сделки.
Отраслевые выставки – COMvex, Automechanika, Testing&Control для демонстрации продукта и генерации лидов.
Цифровой маркетинг и тендеры – SEO/таргетинг на директоров по качеству, участие в госзакупках (44-ФЗ, 223-ФЗ).
Модели монетизации
Прямые продажи оборудования – комплект «под ключ» (3,2–3,8 млн руб.). Маржинальность 42–52%.
Robot‑as‑a‑Service (RaaS) – аренда от 80 тыс. руб./мес. или оплата за инспекцию (pay‑per‑inspection). Снижает порог входа для малых клиентов.
Сервисные контракты – ежегодная техподдержка и обновление нейросетевых моделей (до 15% от цены оборудования).
Лицензирование технологий – передача прав на SLAM-алгоритм, AR-интерфейс, CAD-верификацию сторонним производителям.
Франчайзинг – региональные центры компетенций (демо-залы, продажи, локальная поддержка).
Партнеры проекта
| ИНН | Тип партнера | Описание функций в проекте | Наименование организации |
|---|---|---|---|
| 6320002223 | Индустриальный партнер | Предоставление площадки для проведения пилотных испытаний прототипов, иная поддержка | АО "АВТОВАЗ" |
| Поставщик | Поставка ключевых компонентов для проекта | enord pvt ltd Индия | |
| 7711000924 | Индустриальный партнер | Ожидается подписание соглашения о взаимовыгодном сотрудничестве в части использования РИД | ФГУП «НАМИ» (Государственный научный центр РФ ФГУП «Центральный ордена Трудового Красного Знамени научно-исследовательский автомобильный и автомоторный институт «НАМИ»»). |
| 6382080609 | Поставщик | Изготовление корпусов изделия по предоставленным ММ. | ООО "Лазер-Формат" |
Финансовый профиль
| Год | Выручка | Затраты | Прибыль | Инвестиции |
|---|---|---|---|---|
| 2025 | 0 | 0 | 0 | 0 |
Предложение инвестору / партнеру
Потребность в производственном партнёре :
Имеется необходимость в предоставлении производственной площадки (АО "АВТОВАЗ", требуется инженер программист с необходимым уровнем компетенций для написания серверного и бортового ПО
Необходимые ресурсы для реализации проекта :
грантовое финансовое обеспечение.
Дорожная карта развития проекта :
| 2026 |
| Создание 2 опытных образцов мобильного робота-инспектора, прошедших лабораторные испытания, подтвердившие точность позиционирования ≤2 мм, а также подача заявки на полезную модель в ФИПС |
Прикреплённые файлы к проекту :
Инвестиционная презентация..pdf