Rider Pi: как собрать первое воплощение ИИ в физическом теле с Raspberry Pi, OpenCV и Mius-UI

Зачем ИИ нужно тело? (Спойлер: без него он просто болтает)

Все эти LLM в облаках — они как философы в башне из слоновой кости. Умные, эрудированные, но дверь открыть не могут. Embodiment — это когда ИИ получает руки, ноги и глаза. Когда он может взаимодействовать с физическим миром, а не просто генерировать текст про него.

Rider Pi — это минимальный жизнеспособный продукт в мире воплощенного ИИ. Не робот-гуманоид за миллион долларов, а простая платформа на колесах, которая видит, думает и двигается. И самое главное — вы можете собрать ее за выходные.

Что внутри коробки (и почему Mius-UI — темная лошадка)

Список компонентов выглядит скромно, но каждый элемент выбран не просто так:

• Raspberry Pi 5 (8GB) — мозг системы. Pi 4 тоже сойдет, но с Pi 5 OpenCV работает в 2-3 раза быстрее.
• Камера Raspberry Pi HQ Camera — 12.3 МП, сменные объективы. Можно и обычную V2, но HQ дает больше деталей.
• Двигатели с энкодерами + драйвер L298N — базовый набор для движения. Если хочется плавности — берите драйверы на DRV8833.
• Аккумулятор 12V + понижающий преобразователь до 5V — питание для моторов и Pi.
• Шасси с колесами — любое, где помещается электроника.

А теперь про Mius-UI. Это не просто "еще один дашборд". Это TypeScript-фреймворк для embedded-интерфейсов, который работает на чем угодно — от Raspberry Pi до Radxa RK3588. Легкий (десятки килобайт), быстрый, с native-подобным рендерингом. И да, он умеет в MJPEG-стримы из коробки.

1 Собираем железо: где ошибаются 90% новичков

Схема подключения простая, но есть три критических момента:

1. Раздельное питание — моторы кушают 12V, Raspberry Pi — 5V. Если запитать все от одного источника без преобразователя, Pi умрет от скачков напряжения при старте моторов.
2. Земля (GND) — общая земля между драйвером моторов и Pi обязательна. Без этого ШИМ-сигналы будут плавать.
3. Охлаждение Pi 5 — без радиатора или кулера процессор троттлится через 2 минуты работы с OpenCV.

Собирайте в таком порядке: шасси → моторы → драйвер → аккумулятор → преобразователь → Raspberry Pi → камера. Так проще переделывать, если что-то пошло не так.

2 Настройка Raspberry Pi: не просто apt-get install

Ставим Raspberry Pi OS Lite (64-bit). Desktop не нужен — все равно работаем через SSH и веб-интерфейс.

# Обновляемся до актуальных версий на февраль 2026
sudo apt update && sudo apt full-upgrade -y

# Устанавливаем Python 3.11 (в последних версиях Raspberry Pi OS он по умолчанию)
sudo apt install python3.11 python3.11-venv python3-pip -y

# Устанавливаем OpenCV 4.10 (последняя стабильная на 2026 год)
sudo apt install libopencv-dev python3-opencv -y

# Проверяем установку
python3 -c "import cv2; print(f'OpenCV version: {cv2.__version__}')"

Теперь включаем камеру и I2C/SPI для будущих датчиков:

sudo raspi-config
# Interface Options → Camera → Enable
# Interface Options → I2C → Enable
# Interface Options → SPI → Enable

3 Пишем ядро: камера + движение + стрим

Создаем файл rider_core.py. Здесь будет три потока: захват видео, обработка кадров, управление моторами. Не пытайтесь сделать все в одном потоке — камера будет тормозить.

import cv2
import threading
import time
from flask import Flask, Response
import RPi.GPIO as GPIO

class RiderCore:
    def __init__(self):
        # Настройка GPIO для моторов
        self.MOTOR1_PIN1 = 17
        self.MOTOR1_PIN2 = 18
        self.MOTOR2_PIN1 = 22
        self.MOTOR2_PIN2 = 23
        
        GPIO.setmode(GPIO.BCM)
        GPIO.setup([self.MOTOR1_PIN1, self.MOTOR1_PIN2, 
                   self.MOTOR2_PIN1, self.MOTOR2_PIN2], GPIO.OUT)
        
        # Инициализация камеры
        self.camera = cv2.VideoCapture(0)
        self.camera.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
        self.camera.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)
        
        self.latest_frame = None
        self.frame_lock = threading.Lock()
        
        # Флаг для остановки потоков
        self.running = True
        
    def camera_thread(self):
        """Поток захвата видео"""
        while self.running:
            ret, frame = self.camera.read()
            if ret:
                with self.frame_lock:
                    self.latest_frame = frame
            time.sleep(0.03)  # ~30 FPS
            
    def generate_mjpeg_stream(self):
        """Генератор MJPEG потока для веб-интерфейса"""
        while self.running:
            with self.frame_lock:
                if self.latest_frame is not None:
                    # Кодируем кадр в JPEG
                    ret, jpeg = cv2.imencode('.jpg', self.latest_frame, 
                                             [cv2.IMWRITE_JPEG_QUALITY, 70])
                    if ret:
                        yield (b'--frame\r\n'
                               b'Content-Type: image/jpeg\r\n\r\n' + 
                               jpeg.tobytes() + b'\r\n')
            time.sleep(0.03)
            
    def move_forward(self, duration=1.0):
        """Движение вперед"""
        GPIO.output(self.MOTOR1_PIN1, GPIO.HIGH)
        GPIO.output(self.MOTOR1_PIN2, GPIO.LOW)
        GPIO.output(self.MOTOR2_PIN1, GPIO.HIGH)
        GPIO.output(self.MOTOR2_PIN2, GPIO.LOW)
        time.sleep(duration)
        self.stop()
        
    def stop(self):
        """Остановка моторов"""
        GPIO.output(self.MOTOR1_PIN1, GPIO.LOW)
        GPIO.output(self.MOTOR1_PIN2, GPIO.LOW)
        GPIO.output(self.MOTOR2_PIN1, GPIO.LOW)
        GPIO.output(self.MOTOR2_PIN2, GPIO.LOW)
        
    def cleanup(self):
        """Корректное завершение"""
        self.running = False
        self.camera.release()
        GPIO.cleanup()

# Flask сервер для MJPEG стрима
app = Flask(__name__)
rider = RiderCore()

@app.route('/video_feed')
def video_feed():
    return Response(rider.generate_mjpeg_stream(),
                    mimetype='multipart/x-mixed-replace; boundary=frame')

@app.route('/move/')
def move(direction):
    if direction == 'forward':
        rider.move_forward(1.0)
        return 'Moving forward'
    return 'Unknown direction'

if __name__ == '__main__':
    # Запускаем поток камеры
    cam_thread = threading.Thread(target=rider.camera_thread)
    cam_thread.daemon = True
    cam_thread.start()
    
    # Запускаем Flask сервер
    app.run(host='0.0.0.0', port=5000, threaded=True)

Это базовая версия. В реальном проекте добавьте обработку ошибок, логирование и конфигурационный файл. И да, используйте threading, а не multiprocessing — на Raspberry Pi разница в накладных расходах заметна.

4 Mius-UI дашборд: где интерфейс весит меньше картинки

Создаем папку mius-dashboard и инициализируем проект:

npm init -y
npm install mius-ui@latest

Файл src/app.tsx:

import { MiusApp, Widget, VideoStream, Button } from 'mius-ui';

const RiderDashboard = () => {
  const handleMove = (direction: string) => {
    fetch(`http://${window.location.hostname}:5000/move/${direction}`)
      .catch(err => console.error('Movement error:', err));
  };

  return (
    
      
        
      
      
      
        

           handleMove('forward')}
            fullWidth
          >
            ▲ Forward
          
           handleMove('backward')}
            fullWidth
          >
            ▼ Backward
          
           handleMove('left')}
            fullWidth
          >
            ◀ Left
          
           handleMove('right')}
            fullWidth
          >
            ▶ Right
          
        
      
      
      
        

          
CPU Temperature: --°C
          
Uptime: --
          
Camera: Active
        
      
    
  );
};

export default RiderDashboard;

Собираем и запускаем:

npm run build
# Копируем файлы в /var/www/html или запускаем через serve
npx serve -s build -l 3000

Теперь открываем браузер на http://raspberry-pi-ip:3000 и видим интерфейс с видео-стримом и кнопками управления. Весит это удовольствие ~150KB против 50MB у Electron-аналога.

А теперь добавляем ИИ (но не тот, о котором вы подумали)

Самый частый вопрос: "Какую нейросеть поставить?". Ответ: сначала — самую простую. Не пытайтесь запустить AlpamayoR1 или Youtu-VL-4B-Instruct на Raspberry Pi без eGPU. Начните с классического компьютерного зрения.

Добавляем в rider_core.py обнаружение лиц (как пример):

def detect_faces(self, frame):
    """Обнаружение лиц с помощью Haar cascades"""
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    face_cascade = cv2.CascadeClassifier(
        cv2.data.haarcascades + 'haarcascade_frontalface_default.xml'
    )
    faces = face_cascade.detectMultiScale(gray, 1.1, 4)
    
    for (x, y, w, h) in faces:
        cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)
    
    return frame, len(faces)

# В потоке камеры после захвата кадра:
processed_frame, face_count = self.detect_faces(frame)
with self.frame_lock:
    self.latest_frame = processed_frame

Это работает на Raspberry Pi 5 со скоростью 15-20 FPS. Достаточно для демонстрации. Когда освоите базовый пайплайн — можно подключать легкие модели типа MobileNet или LFM2-350M через Femtobot.

Пять ошибок, которые сломают ваш Rider Pi

Куда развивать проект (если не надоело)

Базовый Rider Pi — это холст. Вот что можно добавить:

• Навигация по AR-меткам — распознавание AprilTags или ArUco markers для точного позиционирования
• Голосовое управление — Whisper для распознавания команд + локальный TTS
• Автономная навигация — SLAM с помощью Intel RealSense (тяжело для Pi, но возможно)
• Манипулятор — добавить руку как в проекте мобильного робота-манипулятора
• Локальная VLM — запуск легкой vision-language модели для описания окружения

Философский вопрос: это уже ИИ или еще нет?

Rider Pi в текущей версии — это инструмент. Умный инструмент, но инструмент. Настоящее воплощение ИИ начинается, когда система:

1. Имеет внутреннюю модель мира (не только текущий кадр, но и память о предыдущих)
2. Способна к простейшему планированию ("чтобы объехать препятствие, нужно сначала отъехать назад")
3. Может обучаться на своих ошибках (если врезался в стену — запомнить это место)

Но даже в текущем виде Rider Pi делает главное — соединяет код с физическим миром. Из абстрактных чисел в Python — в реальное движение в пространстве. И это, черт возьми, впечатляет.

Собирайте. Экспериментируйте. Ломайте. Чините. Именно так, а не через API-вызовы к ChatGPT, и рождается настоящее понимание того, что такое искусственный интеллект в физическом теле.

P.S. Если ваш Rider Pi научится приносить пиво из холодильника — считайте, что вы опередили Boston Dynamics лет на пять. Шучу. Но попробовать можно.