Channel
@robot_learning
On this record: Growth · Engagement · What this channel posts · Reactions · Posts · Citations · Cite this entry
99subscribers
+0 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1002040408127 |
|---|---|
| Type | Channel |
| Username | @robot_learning |
| Description | О робототехнике и AI в робототехнике |
| Created | Between 1 November 2023 and 31 May 2024— estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 9 August 2026 |
| Last confirmed live | 9 August 2026 |
| Measurements held | 2 |
| On Telegram | t.me/robot_learning |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 9 Aug 2026, 11:16 | 99 | no change |
| 7 Aug 2026, 23:16 | 99 | first reading |
20 posts held, back to 23 October 2024 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 1 pageof Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 20 posts for this entry, the most recent from 21 April 2026. An engagement rate over an empty window would be a number about nothing.
Lifetime counters from Telegram’s own channel header, read 9 August 2026 — not the date at the top of this page, which is when the subscriber count was last read. Below Telegram’s rounding threshold, so these counts are exact.
295 reactions across 19 posts, in 19 distinct kinds. The most used accounts for 33.9% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| 🔥 | 100 | 33.9% | |
| 👍 | 62 | 21.0% | |
| ❤ | 53 | 18.0% | |
| ❤🔥 | 18 | 6.10% | |
| 👏 | 14 | 4.75% | |
| 😎 | 10 | 3.39% | |
| 🎄 | 9 | 3.05% | |
| ✍ | 8 | 2.71% | |
| 💯 | 4 | 1.36% | |
| 🏆 | 3 | 1.02% | |
| 💅 | 3 | 1.02% | |
| 🫡 | 3 | 1.02% | |
| 🍾 | 2 | 0.678% | |
| 🎉 | 1 | 0.339% | |
| 🐳 | 1 | 0.339% | |
| 😭 | 1 | 0.339% | |
| 🤝 | 1 | 0.339% | |
| 🤩 | 1 | 0.339% | |
| 🥴 | 1 | 0.339% |
No sentiment is inferred, and none should be read in. This table is ordered by count and by nothing else. Emoji do not carry stable meaning across languages or communities — 🙏 is thanks in one channel and mourning in another — so we publish which ones were pressed and how often, and pass no judgement on what an audience meant by them.
Precision. Telegram publishes reaction counts per emoji and short-forms each one — 4.34K, 1.2M — so any single kind at or above 1,000 reaches us at three significant figures, and only counts below 1,000 are exact. The shares above are ratios of those figures and carry the same error. This is also why the total here can differ slightly from a reaction total printed elsewhere on the page: both are sums of the same rounded parts, taken over samples with different edges.
Coverage. Reactions were read on 19 of the 20 sampled posts in this sample. Summed by Telegram’s own count on each post — not by adding up the per-emoji breakdown above — those same posts carry 295reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 20 most recent posts we hold, published 23 October 2024 to 21 April 2026, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.
Как сделать VLA быстрее, чем телеоп демонстрации. Делюсь двумя подходами, которые работают на практике. Проблема простая: телеоп медленный по природе — оператор осторожно управляет манипулятором, делает паузы. Модель учится на этих данных и воспроизводит ту же скорость. Но физически робот может двигаться быстрее. 1️⃣ Upsampling на этапе обучения — ускоряем эпизоды перед тренировкой, пропуская каждые N наблюдений и …
❤5👍4👏2
В Иннополисе я работал с Антоном Станиславовичем Ширяевым — известным в кругах нелинейного управления учёным. Помимо прочего, он прекрасно знал историю развития теории управления и множество историй про именитых исследователей в этой области. Слушать его было очень интересно и иногда даже весело — такие истории помогали увидеть контекст за событиями в управлении и робототехнике. Недавно вышло интересное видео в луч…
❤4👍2💯1🤩1
Ребята из Центра робототехники выпустили статью Green-VLA — VLA-модель для манипуляции. Обучили в четыре этапа: общее пространственное понимание (physical grounding), предобучение на роботных данных, файнтюн под конкретное воплощение и обучение с подкреплением (RL). В статье несколько страниц уделено данным, их фильтрации и оценке качества. Для увеличения объёма собственных данных авторы использовали две аугментации…
❤🔥4💅3🔥2
Меня недавно попросили порекомендовать хорошие ресурсы для изучения Reinforcement Learning. Решил поделиться здесь материалами, которые реально помогли мне разобраться в RL, применять его в работе и в итоге получить офер на позицию RL Research Engineer. Основательно учим RL Теория вероятности — учим по мере надобности. Встретили importance sampling → сразу идёте разбираться. База — Sutton & Barto (Part I) или Sta…
👍10❤3❤🔥2🎉1🤝1
Год назад я собеседовался в Яндекс Humanoid, прошел через 7 раундов интервью и получил отказ. Рассказываю, как это было. После предзащиты PhD я начал активно искать работу в робототехнике. Откликнулся на позицию контрол-инженера в Яндекс Humanoid, но в процессе собеседований фокус проекта менялся — под конец меня рассматривали уже на роль инженера по манипуляции. Первое интервью было с лидом (на тот момент), где м…
🔥9❤5👍1
Posted without readable text
Друзья, поздравляю всех с наступившим Новым годом! Надеюсь, что 2025 год был для вас полон побед — маленьких и больших, а следующий станет ещё лучше🦾 Этот пост — небольшая рефлексия по итогам 2025 года и одновременно вопрос к вам о том, что вам было бы интересно читать в этом канале. Для меня 2025 год выдался очень насыщенным. В январе я защитился в KU (запись защиты) Leuven и спустя почти 4 года стал PhD. Сразу …
👏12🎄9❤4
Что такое action chunk и зачем он нужен Раньше контроллеры управления роботами на каждом временном шаге предсказывали ровно одно действие — например, положение и ориентацию захвата. Это действие затем отрабатывалось низкоуровневыми контроллерами. На следующем шаге контроллер получал новые наблюдения (изображения с камер и состояние робота) и предсказывал следующее действие. Такой подход позволял роботу быстро реаг…
✍8🔥5👍3
Написали с Антоном небольшую статью про VLA для DeepSchool. Если интересно, заходите читать
❤🔥4🔥3👍2
Vision-Language-Action (VLA) Models: от токенов к действиям Современные мультимодальные модели умеют работать с визуальными данными и текстом. Следующий шаг их развития — взаимодействие с физическим миром. Для управления роботами создаются Vision-Language-Action (VLA) модели, которые переводят визуальные данные и текстовые инструкции прямо в моторные команды робота. О том, как устроены такие модели, рассказываем в н…
🔥6❤🔥5👍4🐳1
На прошлой неделе Hugging Face порадовал сразу двумя релизами для всех, кто интересуется робототехникой 1️⃣ Обзорная статья по Robot Learning Отличный разбор всех современных подходов: обучение с подкреплением, с демонстраций и фундаментальные модели для робототехники (aka VLA — Vision-Language-Action модели). 2️⃣ Полноценный курс по Robot Learning Подходит даже для абсолютных новичков. Авторы начинают с основ …
👍10🔥6❤3
Принёс вам хорошую обзорную статью про VLA. Но сначала — коротко о том, что это такое. Всё началось с больших языковых моделей (LLM), с которыми сегодня знакомы почти все. Позже им «дали глаза» — так появились vision-language models (VLM), которые принимают на вход изображение и текст и умеют отвечать на вопросы и рассуждать о картинках. Логичный следующий шаг: если VLM понимают изображения и язык, почему бы не нау…
🔥9❤5❤🔥3
Showing the 12 most recent of 20 posts we hold for @robot_learning. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
Republishes
Channels on the register whose posts this channel has forwarded.
Built only from forwarded posts we have actually read, on both sides. Coverage is early and deliberately incomplete: a missing link means we have not read the post that would prove it, never that the relationship does not exist. Counts are distinct forwarded posts observed, so they only ever go up as we read more.
Names
Channels on the register whose handles appear in this channel's posts.
A mention is a weaker signal than a forward and is counted separately for that reason — naming a channel is not republishing it, and a handle in a post body is easy to place deliberately. The post counts beside each row below are distinct posts in which the handle appeared, from posts we have read on both sides — the “Named by N registered channels” figure above is a different count, of distinct NAMING CHANNELS rather than posts, and is not the sum of the rows under it.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 9 August 2026 — this entry's latest reading, not the date you are reading this.
“Robot Learning” (@robot_learning), 99 subscribers as measured 9 August 2026. Telegram Register, tgregister.com/channel/robot_learning.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.