Муравьев Кирилл Федорович

Кирилл Федорович Муравьев — преподаватель факультета компьютерных наук НИУ ВШЭ, работает на базовой кафедре Федерального исследовательского центра «Информатика и управление» Российской академии наук и в Центре организации обучения студентов для топ-специалистов в сфере искусственного интеллекта. В университете с 2024 года. Магистратуру Московского физико-технического института по направлению «Информатика и вычислительная техника» окончил в 2021 году, а в 2025 году защитил диссертацию на степень кандидата технических наук по теме «Исследование методов и разработка алгоритмов топологического картирования и локализации». Научные интересы сосредоточены вокруг одновременного картирования и локализации (SLAM), топологического картирования и навигации мобильных роботов.

С января 2023 года Муравьев работает младшим научным сотрудником ФИЦ «Информатика и управление» РАН, где занимается алгоритмами построения карт и автономного движения роботов. За публикацию в журнале из Списка А НИУ ВШЭ он получил соответствующую надбавку в 2024/2025 учебном году. Преподавание он совмещает с исследованиями, и материал его курсов напрямую опирается на задачи, которыми он занимается в лаборатории: оптимизация, алгоритмическая сложность и работа с большими объёмами данных — базовый инструментарий для робототехники и компьютерного зрения.

В 2025/2026 учебном году Муравьев ведёт две дисциплины для бакалавров направления 01.03.02 «Прикладная математика и информатика». Курс «Алгоритмы и структуры данных 2» читается второкурсникам в 1-м модуле и оценивается в 3 кредита и 56 контактных часов. Программа знакомит студентов с алгоритмической теорией сложности и способами работы с труднорешаемыми задачами: жадные алгоритмы, префикс-функция и алгоритм Ахо — Корасик, сжатие данных по Хаффману и Лемпелю — Зиву, персистентные структуры данных, классы P и NP, быстрое преобразование Фурье, вычислительная геометрия, приближённые и вероятностные методы. Дисциплину он ведёт вместе с М.С. Густокашиным, М.А. Гарницким, Д.А. Горшковым и В.В. Куренковым; контроль складывается из работы на семинарах, двух домашних заданий и экзамена.

Второй курс — англоязычные «Optimization Methods» (в русской версии «Методы оптимизации») для третьекурсников в 1-м и 2-м модулях, 4 кредита и 56 контактных часов. Дисциплина последовательно разбирает одномерную оптимизацию и условия оптимальности, методы первого порядка (градиентные спуски) и второго порядка (метод Ньютона), выпуклую оптимизацию, линейное программирование, комбинаторную и многокритериальную оптимизацию. Курс Муравьев ведёт вместе с А.Д. Игнатовым; оценивание построено на коллоквиуме, домашних работах и экзамене. В 2024/2025 году он также читал первокурсникам «Язык программирования Python», а «Методы оптимизации» вёл и для магистрантов Школы информатики, физики и технологий.

Публикационный список Муравьева насчитывает 18 работ в профиле ORCID, часть из них индексируется в базе публикаций НИУ ВШЭ. Основной результат последних лет — «PRISM-TopoMap: online topological mapping with place recognition and scan matching» (IEEE Robotics and Automation Letters, 2025), описывающий онлайн-построение топологической карты с распознаванием мест и совмещением сканов. Систематическому сравнению существующих подходов посвящена статья «Evaluation of Topological Mapping Methods in Indoor Environments» (IEEE Access, 2023). Направление навигации по семантическим представлениям представлено работами «Interactive Semantic Map Representation for Skill-Based Visual Object Navigation» (IEEE Access, 2024), «NavTopo: Leveraging Topological Maps for Autonomous Navigation of a Mobile Robot» (2024) и «Skill Fusion in Hybrid Robotic Framework for Visual Object Goal Navigation» (Robotics, 2023). Русскоязычная статья «Локальное планирование траектории колёсного робота в ограниченной среде на основе модельного прогнозирующего управления» вышла в журнале «Робототехника и техническая кибернетика» (2023), а доклад по той же тематике был представлен на 13-м симпозиуме IFAC по управлению роботами SYROCO 2022 и опубликован в IFAC-PapersOnLine. К более ранним результатам относятся «Map-Merging Algorithms for Visual SLAM: Feasibility Study and Empirical Evaluation» (2020), инструмент «tx2_fcnn_node» для монокулярной реконструкции глубины (SoftwareX, 2022) и работы по восстановлению глубины в реальном времени на платформе NVIDIA Jetson (ECMR, 2019).