BPLA | DRONE

🫡 Специальный отряд «Гагаринг» в составе добровольческого БАРС  Краснодарского края начинает отбор рядовых и офицеров в свои ряды 📝 Требуются: • расчёты в МОГ; • расчёты БПЛА и РЛС; • механики-водители и наводчики БМП–2; • механики-водители и наводчики ЗУ–23-4 «Шилка»; • наводчики-операторы ЗУ–23-2 • техники, инженеры, специалисты связи 💰Зарплата ОТ 200 тыс. руб. на руки. ВНИМАНИЕ! БОЕВАЯ РАБОТА, но только на территории Краснодарского края. Во время службы — сухой закон. Предоставляем жильё и питание, а также полное сопровождение на всех этапах оформления, включая организацию проезда к месту службы за наш счёт. Страховки/выплаты как в армии. Отгулы и премии. Индивидуальный подход при рассмотрении, для редких профессионалов — особые условия. ❗Ваш опыт, знания и характер могут быть нужны там, где особенно ценятся ответственность, взаимовыручка и надёжное плечо рядом. Присоединяйтесь к отряду «Гагаринг». Количество мест ограничено, строгий отбор, полиграфолог. Для связи: @gagaring_recruit_bot

🎯 AIRHOUND — дрон, который сам находит и преследует другой дрон Исследователи из Embry-Riddle Aeronautical University разработали AIRHOUND — открытую систему компьютерного зрения, которая позволяет беспилотнику самостоятельно обнаружить другой дрон в воздухе, определить его положение и начать автоматическое сопровождение. Работает всё примерно так: Камера → нейросеть обнаруживает дрон → определяется расстояние → алгоритм прогнозирует положение цели → PX4 корректирует полёт. 🧠 В качестве бортового компьютера используется NVIDIA Jetson Orin Nano 16 GB, а за зрение отвечает Intel RealSense D455, которая получает обычное RGB-изображение и данные о глубине. Для обнаружения разработчики протестировали две нейросети — YOLOv8n и RF-DETR. При сильном ухудшении изображения RF-DETR показал mAP@0.5 = 0,716, тогда как YOLOv8n — 0,318. После оптимизации через TensorRT RF-DETR удалось разогнать до 275,7 FPS на Jetson Orin Nano. Но просто увидеть другой дрон недостаточно. AIRHOUND использует 3D Kalman Filter, который сглаживает координаты и прогнозирует движение цели. Благодаря этому система способна продолжать сопровождение, даже если объект ненадолго пропадает из кадра. Дальше команды передаются в PX4 в режиме Offboard, и коптер самостоятельно корректирует траекторию движения. ⚙️ В основе проекта: • ROS 2 • PX4 • NVIDIA Jetson • Intel RealSense • RF-DETR / YOLOv8 • TensorRT • Kalman Filter • Gazebo 🔥 Самое интересное — проект полностью открыт. 👉 Исходники AIRHOUND на GitHub 👉 Описание проекта и исследования В репозитории есть ROS 2-пакеты, модели детекции, интерфейс для PX4, конфигурации, HITL-тестирование и инструменты для симуляции. Поэтому AIRHOUND можно использовать как отправную точку для собственных экспериментов с автономными дронами и компьютерным зрением. 💡 AIRHOUND хорошо показывает следующий этап развития автономных UAV: нейросеть уже не просто рисует рамку вокруг объекта на видео — результат компьютерного зрения напрямую используется для управления полётом. #дроны #UAV #OpenSource #AIRHOUND #PX4 #ROS2 #Jetson #ComputerVision #AI #автономныедроны

🎯 AIRHOUND — дрон, который сам находит и преследует другой дрон Исследователи из Embry-Riddle Aeronautical University разработали AIRHOUND — открытую систему компьютерного зрения, которая позволяет беспилотнику самостоятельно обнаружить другой дрон в воздухе, определить его положение и начать автоматическое сопровождение. Работает всё примерно так: Камера → нейросеть обнаруживает дрон → определяется расстояние → алгоритм прогнозирует положение цели → PX4 корректирует полёт. 🧠 В качестве бортового компьютера используется NVIDIA Jetson Orin Nano 16 GB, а за зрение отвечает Intel RealSense D455, которая получает обычное RGB-изображение и данные о глубине. Для обнаружения разработчики протестировали две нейросети — YOLOv8n и RF-DETR. При сильном ухудшении изображения RF-DETR показал mAP@0.5 = 0,716, тогда как YOLOv8n — 0,318. После оптимизации через TensorRT RF-DETR удалось разогнать до 275,7 FPS на Jetson Orin Nano. Но просто увидеть другой дрон недостаточно. AIRHOUND использует 3D Kalman Filter, который сглаживает координаты и прогнозирует движение цели. Благодаря этому система способна продолжать сопровождение, даже если объект ненадолго пропадает из кадра. Дальше команды передаются в PX4 в режиме Offboard, и коптер самостоятельно корректирует траекторию движения. ⚙️ В основе проекта: • ROS 2 • PX4 • NVIDIA Jetson • Intel RealSense • RF-DETR / YOLOv8 • TensorRT • Kalman Filter • Gazebo 🔥 Самое интересное — проект полностью открыт. 👉 Исходники AIRHOUND на GitHub 👉 Описание проекта и исследования В репозитории есть ROS 2-пакеты, модели детекции, интерфейс для PX4, конфигурации, HITL-тестирование и инструменты для симуляции. Поэтому AIRHOUND можно использовать как отправную точку для собственных экспериментов с автономными дронами и компьютерным зрением. 💡 AIRHOUND хорошо показывает следующий этап развития автономных UAV: нейросеть уже не просто рисует рамку вокруг объекта на видео — результат компьютерного зрения напрямую используется для управления полётом. #дроны #UAV #OpenSource #AIRHOUND #PX4 #ROS2 #Jetson #ComputerVision #AI #автономныедроны

🎯 AIRHOUND — дрон, который сам находит и преследует другой дрон Исследователи из Embry-Riddle Aeronautical University разработали AIRHOUND — открытую систему компьютерного зрения, которая позволяет беспилотнику самостоятельно обнаружить другой дрон в воздухе, определить его положение и начать автоматическое сопровождение. Работает всё примерно так: Камера → нейросеть обнаруживает дрон → определяется расстояние → алгоритм прогнозирует положение цели → PX4 корректирует полёт. 🧠 В качестве бортового компьютера используется NVIDIA Jetson Orin Nano 16 GB, а за зрение отвечает Intel RealSense D455, которая получает обычное RGB-изображение и данные о глубине. Для обнаружения разработчики протестировали две нейросети — YOLOv8n и RF-DETR. При сильном ухудшении изображения RF-DETR показал mAP@0.5 = 0,716, тогда как YOLOv8n — 0,318. После оптимизации через TensorRT RF-DETR удалось разогнать до 275,7 FPS на Jetson Orin Nano. Но просто увидеть другой дрон недостаточно. AIRHOUND использует 3D Kalman Filter, который сглаживает координаты и прогнозирует движение цели. Благодаря этому система способна продолжать сопровождение, даже если объект ненадолго пропадает из кадра. Дальше команды передаются в PX4 в режиме Offboard, и коптер самостоятельно корректирует траекторию движения. ⚙️ В основе проекта: • ROS 2 • PX4 • NVIDIA Jetson • Intel RealSense • RF-DETR / YOLOv8 • TensorRT • Kalman Filter • Gazebo 🔥 Самое интересное — проект полностью открыт. 👉 [Исходники AIRHOUND на GitHub](https://github.com/eppl-erau-db/AIRHOUND?utm_source=chatgpt.com) 👉 [Описание проекта и исследования](https://rylanmalarchick.com/projects/airhound/?utm_source=chatgpt.com) В репозитории есть ROS 2-пакеты, модели детекции, интерфейс для PX4, конфигурации, HITL-тестирование и инструменты для симуляции. Поэтому AIRHOUND можно использовать как отправную точку для собственных экспериментов с автономными дронами и компьютерным зрением. 💡 AIRHOUND хорошо показывает следующий этап развития автономных UAV: нейросеть уже не просто рисует рамку вокруг объекта на видео — результат компьютерного зрения напрямую используется для управления полётом. #дроны #UAV #OpenSource #AIRHOUND #PX4 #ROS2 #Jetson #ComputerVision #AI #автономныедроны

🎯 AIRHOUND — дрон, который сам находит и преследует другой дрон Исследователи из Embry-Riddle Aeronautical University разработали AIRHOUND — открытую систему компьютерного зрения, которая позволяет беспилотнику самостоятельно обнаружить другой дрон в воздухе, определить его положение и начать автоматическое сопровождение. Работает всё примерно так: Камера → нейросеть обнаруживает дрон → определяется расстояние → алгоритм прогнозирует положение цели → PX4 корректирует полёт. 🧠 В качестве бортового компьютера используется NVIDIA Jetson Orin Nano 16 GB, а за зрение отвечает Intel RealSense D455, которая получает обычное RGB-изображение и данные о глубине. Для обнаружения дронов разработчики протестировали две нейросети — YOLOv8n и RF-DETR. При сильном ухудшении изображения RF-DETR показал mAP@0.5 = 0,716, тогда как YOLOv8n — 0,318. После оптимизации через TensorRT RF-DETR удалось разогнать до 275,7 FPS на Jetson Orin Nano. Но просто увидеть другой дрон недостаточно. AIRHOUND использует 3D Kalman Filter, который сглаживает координаты и прогнозирует движение цели. Благодаря этому система способна продолжать сопровождение, даже если объект ненадолго пропадает из кадра. Дальше команды передаются в PX4 в режиме Offboard, и коптер самостоятельно корректирует траекторию движения. ⚙️ В основе проекта используется практически полностью Open Source-стек: • ROS 2 • PX4 • NVIDIA Jetson • Intel RealSense • RF-DETR / YOLOv8 • TensorRT • Kalman Filter • Gazebo 🔥 Самое интересное — исходники AIRHOUND опубликованы на GitHub. В репозитории есть ROS 2-пакеты, модели детекции, интерфейс для PX4, конфигурации, HITL-тестирование и инструменты для симуляции. Поэтому проект можно использовать как отправную точку для собственных экспериментов с автономными дронами и компьютерным зрением. 🔗 AIRHOUND на GitHub: [https://github.com/eppl-erau-db/AIRHOUND](https://github.com/eppl-erau-db/AIRHOUND) 🌐 Описание проекта и исследования: [https://rylanmalarchick.com/projects/airhound/](https://rylanmalarchick.com/projects/airhound/) AIRHOUND хорошо показывает следующий этап развития автономных дронов: нейросеть уже не просто рисует рамку вокруг объекта на видео — результат компьютерного зрения напрямую используется для управления полётом. #дроны #UAV #OpenSource #AIRHOUND #PX4 #ROS2 #Jetson #ComputerVision #AI #автономныедроны

🐝 Рой из пяти автономных дронов — и весь проект выложили в Open Source Команда Mach Mind построила собственный рой из пяти дронов для международного Swarm Drone Challenge 2026. Проект дошёл до финала на ILA Berlin и занял 4-е место, а после соревнований разработчики открыли исходники системы на GitHub. Причём это не очередная красивая симуляция — аппараты действительно собраны и летали. Главная идея проекта: нескольким дронам не обязательно управлять по отдельности. Они получают разные роли и работают как единая команда. 🔎 Seeker ищет объекты. 🎯 Executor получает найденные координаты и выполняет задачу. 🏠 Leader контролирует базовую зону. Внутри каждого аппарата используется довольно интересная электроника. ESP32-P4 отвечает за компьютерное зрение, а ESP32-S3 — за связь с системой управления. Дроны используют камеры, датчики расстояния ToF, OpenCV, MAVLink, micro-ROS и другие Open Source-технологии. Для управления всем роем разработчики сделали собственную наземную станцию на ROS 2, которая может работать даже на Raspberry Pi 5. 🤖 Есть и эксперимент с искусственным интеллектом: локальная нейросеть Gemma через Ollama умеет превращать обычную текстовую команду человека в координаты и команды для роя. Например, в перспективе вместо ручного задания каждого маршрута оператор сможет написать что-нибудь вроде: «Отправь два дрона проверить левую часть зоны» — а система сама распределит задачу между аппаратами. Важно: на финальных соревнованиях такое LLM-управление не использовалось — авторы честно называют его отдельной экспериментальной демонстрацией. 🔥 Но самое интересное для любителей DIY — разработчики выложили практически весь проект. Есть: • исходники прошивок • программа управления роем • ESP32-P4 / ESP32-S3 код • ROS 2 • OpenCV • MAVLink и micro-ROS • схемы собственной PCB • фотографии сборки • готовые STL для 3D-печати деталей дронов • STL корпуса наземной станции • даже модели транспортного бокса И всё это опубликовано под MIT License. 🔗 Главная страница проекта: https://github.com/machmind-dev/drone-swarm-challenge-2026 🧩 STL и железо дрона: https://github.com/machmind-dev/drone-swarm-challenge-2026/tree/main/hardware/drone/v2.0 🖥 Наземная станция + STL: https://github.com/machmind-dev/drone-swarm-challenge-2026/tree/main/hardware/ground-station 🤖 Прошивка: https://github.com/machmind-dev/drone-swarm-challenge-2026/tree/main/drone-firmware 📡 Управление роем: https://github.com/machmind-dev/drone-swarm-challenge-2026/tree/main/ground-station-software Получился редкий пример Open Source-проекта, где можно не просто прочитать про «рой будущего», а открыть GitHub и разобрать настоящий рабочий комплекс — от напечатанного крепления до программы управления пятью дронами. #дроны #FPV #OpenSource #DroneSwarm #PX4 #ROS2 #ESP32 #RaspberryPi #MAVLink #робототехника

Автоматизированные процессы 😅 Какие шансы, если встретился с такой машиной лицом к лицу и она обучена стрелять в человека ? #автоматика #ai #оружие #робот #бпла

🚁 Uber Eats запускает доставку еды дронами Zipline Если посмотреть на фото системы Zipline, возникает логичный вопрос: зачем из большого дрона спускается ещё один маленький? На самом деле большой Zipline P2 вообще не должен садиться возле клиента. Он прилетает к точке доставки и зависает высоко над землёй. А вниз на тонком тросе спускается небольшой автономный модуль Droid с заказом внутри. 🤖 Этот «мини-дрон» имеет собственные вентиляторы и систему управления, поэтому во время спуска может корректировать своё положение и точно опустить посылку в нужное место — например, возле двери дома. После доставки Droid поднимается обратно к основному аппарату, и P2 улетает. Зачем такая сложная схема? Большому дрону не приходится садиться между домами, деревьями, машинами и людьми. Он остаётся наверху, где летать безопаснее, а небольшой Droid выполняет последние метры доставки гораздо точнее и тише. И теперь эта технология приходит в Uber Eats. 🍔 Uber и Zipline объявили о партнёрстве: во второй половине 2026 года пользователи Uber Eats в США должны получить возможность заказывать товары с доставкой автономными дронами Zipline. Причём речь идёт не о небольшом эксперименте. 🎯 Компании заявили цель — выйти примерно на 1 миллион доставок дронами в сутки к концу 2029 года. Для пользователя всё должно выглядеть максимально обычно: заказ оформляется через Uber Eats, а там, где доступна воздушная доставка, вместо курьера к дому прилетает Zipline. Сам Zipline при этом может вообще не касаться земли: завис → спустил Droid → отдал заказ → поднял Droid обратно → полетел дальше. 💡 Именно эта схема мне кажется самой интересной частью проекта. Доставка дронами постепенно уходит от красивых экспериментов к довольно продуманной городской инфраструктуре. А связка Uber Eats + Zipline может стать одной из первых попыток сделать такую доставку действительно массовой. #UberEats #Zipline #DroneDelivery #Дроны #БПЛА #Логистика #АвтономныеДроны

🛰 INAV 9.1: точнее GPS, больше безопасности и 19 новых плат Вышел INAV 9.1 — крупное техническое обновление популярной open-source прошивки для дальнолётов, самолётов и навигационных FPV-коптеров. Основной упор разработчики сделали не на эффектные функции, а на надёжность: обновление включает 46 исправлений и 76 улучшений, в том числе повышение точности GPS и исправления, связанные с безопасностью полётов. Прошивка получила поддержку 19 новых аппаратных целей. При переходе с INAV 9.0.x несовместимых изменений настроек нет: сохранённый diff all должен загружаться корректно, а Full Chip Erase не обязателен. Перед обновлением всё равно обязательно сохраните конфигурацию и проверьте примечания именно для своей платы — для отдельных контроллеров изменились параметры ориентации. #INAV #FPV #LongRange #GPS #OpenSource #FlightController #БПЛА

⚡️ Betaflight 2026.6 приближается к релизу: вышла третья тестовая сборка Команда Betaflight выпустила Betaflight 2026.6.0 RC3 — третью предварительную сборку большого обновления прошивки для FPV-дронов. В новой ветке серьёзно расширяются возможности автопилота: появляются удержание высоты и позиции, обнаружение столкновений и автоматическое отключение моторов после жёсткой посадки. Также разработчики улучшили Crash Flip, добавили отдельный таймер запуска, новые функции LED-индикации и расширили Blackbox. В прошивке появилась начальная поддержка микроконтроллеров RP2350, новых гироскопов ICM456xx, дальномеров, ELRS FLRC и дополнительных команд MAVLink. Важно: это пока Release Candidate, поэтому ставить RC3 на основной рабочий коптер без необходимости не стоит. Зато релиз показывает, что Betaflight постепенно выходит далеко за пределы обычной прошивки для гоночных квадрокоптеров. #Betaflight #FPV #FlightController #OpenSource #Квадрокоптер #DroneTech #БПЛА

📡 ArduPilot готовится к Mesh-сетям: дроны смогут общаться друг с другом без центральной станции В экосистеме ArduPilot появился очень перспективный проект AP_SwarmMesh, который разрабатывается в рамках Google Summer of Code 2026. Его цель — научить беспилотники самостоятельно создавать Mesh-сеть, в которой каждый дрон становится одновременно и участником, и ретранслятором связи. Что это даёт на практике? ✅ Если один аппарат выходит из зоны действия наземной станции, связь можно передать через соседние дроны. ✅ Рой перестаёт зависеть от одного центрального узла — сеть автоматически перестраивается при изменении расположения аппаратов. ✅ Каждый дрон может обмениваться телеметрией, командами и данными миссии напрямую с другими участниками группы. Подобный подход особенно интересен для поисково-спасательных операций, инспекции протяжённых объектов, мониторинга лесных пожаров и автономных миссий в районах, где отсутствует мобильная связь или другая инфраструктура. Важно понимать, что AP_SwarmMesh пока находится в активной разработке и ещё не является готовой функцией ArduPilot. Однако сам факт появления такого проекта показывает, куда движется отрасль: в будущем рои БПЛА смогут работать гораздо автономнее, а потеря связи с наземной станцией уже не будет означать остановку всей миссии. 💡 Сегодня большинство беспилотников связываются с оператором по схеме «дрон ↔️ наземная станция». Mesh-сеть меняет эту модель на «дрон ↔️ дрон ↔️ дрон», делая систему более устойчивой и масштабируемой. 📥 Подробнее о проекте: • Google Summer of Code — AP_SwarmMesh https://summerofcode.withgoogle.com/ • Ежемесячный отчёт разработчиков ArduPilot https://ardupilot.org/dev/ #ArduPilot #DroneSwarm #MeshNetwork #MAVLink #OpenSource #DroneTech #БПЛА

🚁 ArduPilot Copter 4.7.0 — вышел новый стабильный релиз Команда ArduPilot выпустила долгожданный Copter 4.7.0 — новый стабильный релиз прошивки для мультикоптеров и классических вертолётов. Версия стала официально доступна 21 июля 2026 года после нескольких месяцев публичного бета-тестирования. Что нового? ✅ Поддержка новых полётных контроллеров, включая TBS LUCID H7 V3, BCubeF745v2 и других современных плат. ✅ Добавлены новые драйверы датчиков и улучшена совместимость с современным оборудованием. ✅ Исправлены проблемы синхронизации IMU, повышена стабильность работы фильтров и внесено множество исправлений, накопившихся за время тестирования. ✅ Продолжена работа над традиционными вертолётами (TradHeli), улучшено поведение при арминге и повышена безопасность запуска. Как и всегда, значительная часть изменений скрыта "под капотом". Разработчики уделили большое внимание оптимизации внутренних библиотек, повышению надёжности и совместимости с новым оборудованием. Именно такие обновления чаще всего делают полёты стабильнее, даже если пользователь не замечает изменений сразу после прошивки. 💡 Стоит ли обновляться? Если вы используете ArduPilot 4.6.x и ваша платформа работает без нареканий, лучше сначала внимательно изучить список изменений и убедиться, что всё необходимое оборудование поддерживается новой версией. Для новых проектов Copter 4.7.0 уже становится основной рекомендуемой веткой. 📥 Официальные материалы: • Релиз ArduPilot Copter 4.7.0 на GitHub • Полные Release Notes ArduPilot 4.7.0 #ArduPilot #Copter47 #PX4 #FlightController #OpenSource #DroneDev #БПЛА

👁 PixEagle — даём PX4-дрону «глаза» PixEagle — Open Source система, которая позволяет дрону самостоятельно видеть, захватывать и сопровождать объекты. Интересный проект для PX4, объединяющий компьютерное зрение и управление дроном в одной модульной системе. PixEagle использует MAVSDK Python + OpenCV + YOLO: изображение поступает с камеры, алгоритм обнаруживает или захватывает объект, а затем может использовать его положение для автоматического сопровождения. Главное — это не просто YOLO, прикрученный к видеопотоку. Система непосредственно интегрирована с PX4 через MAVSDK/MAVLink, поэтому результат работы компьютерного зрения может влиять на движение самого аппарата. Есть несколько интересных режимов работы, а архитектура сделана модульной — можно подключать собственные алгоритмы detection, tracking и segmentation. 💡 По сути: камера увидела объект → система захватила его → вычисляет положение → PX4 получает команды → дрон самостоятельно следует за целью. Для тех, кто экспериментирует с PX4, Raspberry Pi/Jetson и Computer Vision, репозиторий точно стоит посмотреть. PixEagle — GitHub #дроны #БПЛА #PX4 #OpenSource #GitHub #ComputerVision #YOLO #MAVSDK #AI #автономность

Этот 8-метровый дрон можно… сдуть и увезти в машине Французский стартап Celeste Ecoflyers испытывает очень необычный БПЛА daS10, значительная часть конструкции которого выполнена на основе надувных пневматических элементов. Размах крыла — около 8 метров, при этом масса аппарата составляет всего около 40 кг. Производитель заявляет до 20 кг полезной нагрузки, дальность до 700 км и потенциальную продолжительность полёта до 24 часов. Свежие публикации после испытаний также сообщают о полётах более 10 часов и дальности порядка 500 миль (~800 км) в определённой конфигурации. 🎈 Но главная фишка — конструкция. После выпуска воздуха огромный аппарат становится достаточно компактным для перевозки в обычном автомобиле, а на месте крыло снова надувается перед запуском. Такие БПЛА предполагается использовать для длительного мониторинга, инспекции инфраструктуры, поисково-спасательных операций и доставки грузов. Получился своеобразный «надувной дальнолёт», где снижение массы конструкции напрямую превращается в дополнительное время в воздухе. #дроны #БПЛА #UAV #DroneTech #daS10 #авиация

DJI показала новый грузовой eVTOL EV50 — и сразу отправила его на Эверест DJI представила EV50 — новый грузовой беспилотный eVTOL самолётного типа. В отличие от привычных мультикоптеров FlyCart, EV50 использует крыло и вертикальный взлёт/посадку: может подняться без ВПП, перейти в горизонтальный полёт и значительно эффективнее преодолевать большие расстояния. Но DJI решила продемонстрировать аппарат довольно эффектно — на Эвересте. В июле EV50 участвовал в высокогорной научной экспедиции и поднялся до 8861 метра, доставляя оборудование для исследований атмосферы. Параллельно DJI использовала FlyCart 100 для транспортировки грузов и отходов, а Matrice 4E — для картографирования ледника Кхумбу. По сути, DJI постепенно выходит за рамки привычной схемы «квадрокоптер + груз» и начинает осваивать более крупные беспилотные транспортные самолёты с вертикальным взлётом. И судя по первым демонстрациям, EV50 ориентирован уже совсем не на обычный consumer-рынок, а на дальнюю логистику и работу там, где нормальной транспортной инфраструктуры практически нет. #DJI #EV50 #дроны #БПЛА #eVTOL #DroneTech #авиация

Дрону показывают фотографию цели — дальше он должен найти её сам Исследователи представили VoLN-UAV — новый benchmark для автономной навигации БПЛА, где аппарату не дают GPS, готовую карту маршрута или пошаговые инструкции. Вместо этого дрон получает изображение конечной цели, а дальше должен самостоятельно лететь к ней, анализируя только то, что видит вокруг: здания, дороги, объекты и другие визуальные ориентиры. В набор вошло 7210 полётных эпизодов с полноценным движением в 3D и большими изменениями ракурса. 🤖 Авторы также сделали собственную AI-модель VoLN-MLLM, которая анализирует изображение, историю движения и визуальные ориентиры и формирует короткие участки будущей траектории. И вот результаты особенно интересны: успешность составляет всего 7,4% на лёгких, 4,5% на средних и 1,8% на сложных маршрутах. То есть современные AI-модели уже умеют красиво рассуждать о картинках, но задача «вот фотография места — найди его самостоятельно на дроне» пока остаётся чрезвычайно сложной. Проект опубликован 23 июля 2026 года. VoLN-UAV — страница проекта Научная публикация #дроны #БПЛА #AI #ComputerVision #автономность #UAV #VoLNUAV

🚤✈️ Squire — дрон, который превращается из катера в летательный аппарат Американская REGENT показала Squire Seaglider — автономный морской беспилотник, способный передвигаться по воде, разгоняться на подводных крыльях и затем переходить в сверхнизкий полёт над морем. В воздухе Squire использует экранный эффект — летит прямо над поверхностью воды, что повышает эффективность и позволяет оставаться ниже линии видимости многих береговых радаров. ⚙️ Заявленные ТТХ: • скорость — до 70 узлов / 130 км/ч • дальность — более 100 морских миль / 185 км • полезная нагрузка — около 23 кг • автономное управление • электрическая силовая установка • режимы: движение по воде → подводные крылья → полёт над водой Squire разрабатывается прежде всего под морские задачи: разведку и наблюдение, доставку грузов, поисково-спасательные операции и потенциально противолодочные миссии. По сути, это компактный беспилотный наследник идеи экранопланов — только электрический и автономный. #squire #boat #plane #drone #bpla #dji #fpv #pilot

Пилоты шли к успеху 😁🥲 #dji #fpv #bpla #drone

Не...ну удобнее же, чем с 🕹 🍑 перевозить 😅 #rtk #bpla #dji #fpv #drone #pilot

Такси без водителя уже почти не удивляет. А такси без дороги? 🚁 Вы бы сели в такой октокоптер и доверили ему свою жизнь — без пилота? 😊 #drone #taxi #bpla #dji #fpv #pilot