В статье рассматриваются современные тенденции и перспективы роботизации технологических процессов на железнодорожном транспорте. Анализируются ключевые технологии, такие как искусственный интеллект (ИИ), компьютерное зрение и предиктивная аналитика, которые обеспечивают автоматизацию процессов технического обслуживания, диагностики, строительства и обеспечения безопасности. Особое внимание уделено применению робототехнических комплексов в различных сферах железнодорожного транспорта, включая пассажирский сервис и логистику. Рассмотрены ограничения, связанные с внедрением роботов, и предложены пути их преодоления. Статья основана на анализе международного опыта и актуальных данных за 2024-2025 годы.

В статье представлен обзор гибридных алгоритмов, применяемых для управления технологическими процессами на железнодорожном транспорте. Особое внимание уделяется интеграции методов искусственного интеллекта, оптимизации, машинного обучения и физических моделей для повышения эффективности, надежности и безопасности железнодорожных систем. Рассматриваются ключевые типы гибридных решений: нейро-нечеткие системы, эволюционные алгоритмы с обучением, цифровые двойники, имитационно-оптимизационные подходы и комбинированные стратегии обучения. Описаны примеры успешного применения гибридных моделей в задачах диспетчеризации, прогнозирования технического состояния, оптимизации расписаний, диагностики и энергоэффективности. Приведен сравнительный анализ точности, производительности и устойчивости различных подходов. Выделены преимущества гибридизации по сравнению с одиночными методами, а также обозначены актуальные вызовы и направления дальнейшего развития.

В статье представлен комплексный анализ современных тенденций развития высокоскоростного железнодорожного транспорта (ВСМ) в Китае, основанный на материалах XII Всемирного конгресса по высокоскоростным железным дорогам (Пекин, 2025). Рассматриваются ключевые технологические достижения, включая создание инновационного подвижного состава серии CR450 с рекордной скоростью 450 км/ч, внедрение интеллектуальных систем управления (CTCS) и переход на связь нового поколения (5G-R). Особое внимание уделено цифровой трансформации отрасли: применению искусственного интеллекта для диагностики и прогнозирования, созданию цифровых двойников инфраструктуры, а также масштабной роботизации процессов обслуживания. Анализируется роль Китайской академии железнодорожных наук (CARS) как системообразующего элемента национальной инновационной экосистемы, обеспечивающей полный цикл разработки от фундаментальных исследований до промышленного внедрения. Подчеркивается значение государственной стратегии, сочетающей масштабные инвестиции в НИОКР, развитие испытательной базы и активную патентную защиту технологий. Статья будет полезна специалистам в области транспортного машиностроения, железнодорожной автоматики и цифровых технологий, а также представителям органов управления транспортной отраслью, интересующимся передовым международным опытом.

Статья рассматривает перспективы внедрения беспилотного движения грузовых поездов, выделяя главные трудности и достижения в данной сфере. Отмечено, что несмотря на отдельные успешные проекты, массовые испытания пока невозможны из-за отсутствия единых стандартов оценки качества функционирования систем и процедур сертификации безопасности. Важнейшими проблемами являются обеспечение эффективной коммуникации между автоматизированными и традиционными элементами инфраструктуры, разработка унифицированных протоколов взаимодействия и совершенствование математических моделей движения поездов. Анализируются практические примеры реализации беспилотных систем, такие как параллельное перемещение контейнеров, применение беспилотных маневровых устройств и автоматизация грузовых перевозок. Статья подчеркивает необходимость дальнейшего изучения и разрешения ключевых аспектов безопасности и функциональности беспилотных технологий, которые позволят расширить масштабы их использования на транспорте.

Статья рассматривает прием грузового поезда на Цифровую железнодорожную станцию (ЦЖС), проект которой реализуется на Южно-Уральской железной дороге с 2018 года и включает в себя создание модульной структуры, обеспечивающей взаимодействие различных подсистем в режиме реального времени. Одним из элементов ЦЖС является система автоматического приема и диагностики подвижного состава, позволяющая формировать цифровую модель поезда и принимать решения о его маршруте на основе результатов осмотра. При прибытии поезда на станцию проводится последовательная цепочка технологических операций. Выбор каждой последующей операции зависит от результатов выполнения предыдущих, поэтому при проектировании современных станционных систем железнодорожной автоматики могут применяться последовательностные автоматы, в том числе модели автоматов Мили и Мура. Применение теории автоматов при синтезе микропроцессорных станционных систем ж.д. автоматики в эпоху их бурного развития позволило выявлять узкие места с обеспечением безопасности систем и оптимизировать их структуру. Поэтому для исследования модели цифровой железнодорожной станции предлагается формализовать описание в нотации конечных автоматов с целью оптимизации взаимосвязей модулей ЦЖС, и в конечном итоге повысить эффективность работы станции. В качестве входного алфавита можно использовать события (сигналы) систем автоматики и диагностики, внутренние состояния отражают этапы выполнения технологического процесса. Выходной алфавит возможные решения по управлению станцией, которые реализуются путем передачи информации в соответствующие программно-аппаратные комплексы и модули ЦЖС.

В статье рассматривается проблема нехватки частотного ресурса в диапазонах VHF и UHF для транкинговых радиосетей, используемых в критически важных отраслях, таких как гражданская авиация и железнодорожный транспорт. Предложен метод оптимизации вызовов в сетях стандарта DMR Tier III, основанный на динамическом распределении нагрузки между базовыми станциями. Разработанное программное обеспечение включает три модуля: конвертер данных, аналитический модуль и модуль визуализации. Приведены математические модели обработки информации, а также результаты тестирования системы, демонстрирующие демонстрирующие повышение пропускной способности транкинговой радиосети DMR Tier III на 15% за счет динамического перераспределения групповых вызовов между базовыми станциями на основе анализа их текущей нагрузки.

В данной работе представлена система оценки OMLS-Bench (Open Multi-Level Skills Benchmark) двухэтапный фреймворк для всесторонней оценки больших языковых моделей в задачах программной инженерии. Цель предложенного подхода преодолеть ограничения существующих методик, которые либо измеряют узкие подзадачи, либо применяют единый уровень сложности и не фиксируют динамику инженерного мастерства и интерактивную природу диагностического рассуждения. Описываемая система охватывает девять доменов (Back-end, Front-end, Mobile, DevOps, Data Analysis, Machine Learning, Big Data, IoT, встроенные системы) и пять уровней сложности, что позволяет стратифицировать качество по доменам и уровням. Предлагается двухэтапная процедура: Этап I стандартизированные задания с множественным выбором и строгим форматом ответа , Этап II сценарные задания с пошаговыми контрольными списками и независимой моделью-судьёй. Формализованы метрики Tier Accuracy и Domain Accuracy, введён интегральный показатель OPS; раскрыты переменные формулы (1). Публикуются артефакты для воспроизводимости: JSON-схемы заданий, русскоязычные шаблоны промптов и скрипт оценки eval_mc.py с описанием входных/выходных параметров. Эксперименты показывают: неоднородность качества между доменами; снижение результатов при переходе от тестов с фиксированными вариантами к сценарным задачам; детальные диагностические отчёты по невыполненным пунктам контрольных списков. OMLS-Bench может служить практическим инструментом сравнения LLM в инженерных задачах и основой для целенаправленной донастройки моделей под конкретные области. Проведённая стартовая крупномасштабная оценка десяти современных больших языковых моделей выявила чёткую стратификацию результатов по уровням сложности и по сферам: модели большего масштаба демонстрировали высокую точность в широко представленных веб-ориентированных областях, тогда как специализированные направления (мобильная разработка, встроенные системы) показали существенно худшие показатели. Эти наблюдения подчёркивают важность как размера модели, так и разнообразия предметных данных при обучении. OMLS-Bench обеспечивает воспроизводимое и расширяемое средство оценки, которое может служить основой для разработки более надёжных и предметно ориентированных моделей-помощников инженера. В перспективе планируется развитие интерактивной фазы, повышение реалистичности сценариев и доработка контрольных чек-листов для приближения тестирования к профессиональной практике.