Сервисные роботы в ресторанах, отелях и магазинах работают в плотном контакте с людьми. Однажды робот-официант из-за резкого торможения опрокинул поднос с супом — типичная проблема неоткалиброванной социальной навигации. Технически это связка SLAM, социальной навигации и task planning, объединённых единой системой управления роботами. Мы накопили опыт на 10+ проектах: от одиночных роботов-батлеров до целых флотов в сети отелей. Этот опыт позволяет настраивать поведение так, чтобы робот не пугал гостей и не создавал аварийных ситуаций. Экономия на операционных расходах достигает 25-40% в течение первого года, а снижение затрат на персонал — до 30% за счёт замены 2-3 сотрудников одним роботом.
Проблемы, которые решает AI для сервисных роботов
Рестораны и кафе: доставка блюд от кухни к столикам, сбор грязной посуды, встреча гостей и проводка к столику. Отели: доставка amenities в номера, room service, ассистент на ресепшн. Ритейл: инвентаризация полок, уборка зала, навигация покупателя по магазину. На каждом из этих сценариев робот сталкивается с непредсказуемым поведением людей: внезапные остановки, дети, тележки — всё это требует продвинутой социальной навигации.
Почему социальная навигация критична для HoReCa?
Ключевая проблема — психологическая: люди должны доверять роботу. Движения обязаны быть предсказуемыми. Мы используем три модели социального движения:
- Social Force Model (Helbing, 1995) — быстрый baseline, но плохо масштабируется.
- ORCA с социальными весами — real-time, обеспечивает в 2-3 раза более высокую производительность по сравнению с Social Force.
- LSTM-based trajectory prediction — лучшая точность, требует GPU на борту.
Практический подход: ORCA для reactive avoidance (робот уворачивается за 0.5 с) + LSTM-предиктор для проактивного объезда (робот начинает маневр за 3–5 с до столкновения). Сравнение моделей навигации:
| Модель | Производительность | Точность | Реальное время |
|---|---|---|---|
| Social Force | Высокая | Низкая | Да |
| ORCA | Очень высокая | Средняя | Да |
| LSTM | Средняя | Высокая | Нет (нужен GPU) |
Мы комбинируем ORCA и LSTM: первый для быстрой реакции, второй — для точного прогноза.
Как внедрить AI-систему за 4 шага?
- Аудит помещения и требований. Изучаем планировку, трафик, типы препятствий. Определяем сценарии (доставка, уборка, встреча гостей).
- Проектирование архитектуры. Выбираем сенсоры (LiDAR, RGB-D камеры для компьютерного зрения), модель навигации и task planning. Разрабатываем взаимодействие с операционными системами.
- Разработка и калибровка. Настраиваем SLAM и социальную навигацию на тестовом полигоне. Интегрируем голосовой интерфейс (Whisper + локальный Llama 3 8B INT8).
- Развёртывание и обучение. Деплоим fleet management на Kubernetes, проводим 2–3 дня обучения персонала, запускаем мониторинг и сбор логов. Используем SLAM для навигации, Triton Inference Server для инференса моделей и MLOps-пайплайны для автоматического обновления.
Получите консультацию — оценим ваш проект, свяжитесь с нами для обсуждения деталей.
Как устроена система получения заданий?
Роботы получают команды из POS-систем (iiko, r_keeper) через REST API, от PMS (Opera, Protel) через middleware, или от ERP и WMS через event stream. Task planning использует модифицированный Nearest Neighbor с look-ahead на 3–5 заданий.
Человеко-машинное взаимодействие (HRI)
Экран, подсветка и звук — основные каналы. В таблице ниже — типовые сценарии.
| Ситуация | Индикация |
|---|---|
| Движение к цели | Зелёная подсветка, направление взгляда экрана |
| Просьба уступить дорогу | Звуковой сигнал, анимация «жест рукой» |
| Ожидание лифта | Мигающая синяя подсветка |
| Низкий заряд | Голосовое сообщение, жёлтая подсветка |
| Доставка выполнена | Анимация, звук, открытие отсека |
Голосовой интерфейс: Whisper для speech-to-text, локальный LLM (Llama 3 8B quantized) для интерпретации команд, TTS для ответов. Весь NLU работает on-device — privacy гарантирована.
Интеграция с лифтами и дверьми
Вертикальная навигация требует интеграции с лифтами (KONE API, Otis Compass) и дверьми (Wiegand/OSDP). Для старых моделей используем релейную плату с IoT-интерфейсом.
Мониторинг, аналитика и процесс работы
Операционный дашборд показывает тепловые карты активности, время выполнения заданий, KPI. Все инциденты логируются и используются для дообучения навигационной политики каждые 2–4 недели.
Что входит в работу
- Документация: архитектурное описание, API-спецификации, инструкции по эксплуатации.
- Исходный код: кастомные модули навигации, интеграции, пайплайны MLOps.
- Обучение персонала: 2–3 дня для операторов и администраторов.
- Поддержка: 3 месяца пуско-наладочных работ, удалённый мониторинг.
- Мониторинг и логирование: дашборд, алерты, сбор данных для дообучения.
Сроки разработки: MVP одного сценария с 1–2 роботами — 3–4 месяца. Расширение на флот и интеграция с POS/PMS — 6–9 месяцев. Экономия на операционных расходах достигает 25-40% в течение первого года. Получите консультацию — оценим ваш проект.