Диагностика аномалий в подводных сетях автономных необитаемых подводных аппаратов (АНПА) является критической задачей для обеспечения безопасности миссий в условиях нестабильной акустической связи и экстремальных глубин. Существующие подходы полагаются на статические пороговые методы, неспособные адаптироваться к динамике подводной среды. Данный проект предлагает многоагентную систему на основе локальных LLM для анализа телеметрических логов и выработки диагностических рекомендаций,...Подробнее

Разработать и верифицировать в симуляционной среде прототип многоагентной системы диагностики аномалий на основе LLM, которая по телеметрическим логам АНПА идентифицирует типовые неисправности (отказ движителей, дрейф навигации, аномалии связи) и формирует структурированные рекомендации для оператора с точностью распознавания не менее 80% для тестовых сценариев, используя локально развернутую LLM с RAG-дополнением

Еженедельные демо-встречи по пятницам (15 мин): демонстрация работающего кода в репозитории. На 2-й неделе — утверждение архитектуры и плана генерации данных. На 4-й неделе — промежуточный отчёт с демонстрацией базовой диагностики (один тип аномалий). На 6-й неделе — предзащита с демонстрацией работы всех модулей на трёх сценариях. Финальная презентация на 8-й неделе включает работу прототипа в симуляции и метрики точности.

Публичный репозиторий GitHub с кодом (Python, ROS2 nodes, LangChain), инструкцией по установке и запуску в Docker-контейнере. Краткий технический отчёт (Extended Abstract) объёмом 4-6 страниц с описанием архитектуры, экспериментов и графиками точности. Презентация проекта (5-7 слайдов) и видеодемонстрация работы прототипа в симуляторе Stonefish. Итоговые результаты: программный прототип LLM-агента с открытым интерфейсом, размеченный датасет, методика оценки качества отчетов, технический отчет,...Подробнее

Стек ПО: Python 3.10+, Ollama (локальный LLM, e.g. Mistral 7B), LangChain, ROS2 Humble, Stonefish simulator, MAVLink/ArduSub, SQLite для RAG-векторной БД (Chroma). Оборудование: ноутбук с NVIDIA GPU (8+ GB VRAM) для запуска LLM, либо Google Colab для экспериментов. Датасеты: синтетические логи, генерируемые в симуляторе на основе эталонных сценариев из проекта.

Базовое знание Python, опыт работы с Git и командной строкой. Знакомство с основами машинного обучения. Приветствуется опыт работы с ROS/ROS2 в рамках курсовых проектов, понимание принципов работы LLM (API, промпт-инжиниринг). Наличие пройденных курсов по робототехнике или ИИ является преимуществом.