現(xiàn)代自動化生產(chǎn)中要求機(jī)器人系統(tǒng)具備一定柔性以適應(yīng)變種變量的生產(chǎn)需求。例如在機(jī)器人分揀及組裝中,機(jī)器人需要快速處理各式不同的物體。使機(jī)器人系統(tǒng)可以穩(wěn)定并且低成本的操控多種目標(biāo)物體是實(shí)現(xiàn)新一代高效自動化生產(chǎn)的重要研究目標(biāo)。目前機(jī)器人系統(tǒng)針對多種物體的操作,主要通過機(jī)械手/手指更換設(shè)備或多功能機(jī)械手來實(shí)現(xiàn)[1][2]。然而機(jī)械手/手指更換設(shè)備需要部署輔助控制設(shè)備和外部能源供給,這增加了系統(tǒng)的復(fù)雜度。同時,設(shè)備的控制與供能需要引入電纜或氣管,這會對機(jī)械臂的自由靈活運(yùn)動產(chǎn)生干擾。此外,多功能機(jī)械手僅可適用于一定范圍的操作任務(wù)。對此,我們提出了讓機(jī)器人使用不同工具來操作多樣化目標(biāo)物的方法。這里提到的工具并不是機(jī)器人學(xué)中對終端執(zhí)行器的稱呼,而是同人類使用的鑷子,剪刀等工具一樣的可以被機(jī)械手直接控制的工具。此工具為復(fù)雜的變種變量的操作任務(wù)提供了一項(xiàng)有效的解決方案,它有如下特征:(1) 通過機(jī)械機(jī)構(gòu)實(shí)現(xiàn)機(jī)械手到工具的動力傳遞,無需外部控制及供能;(2)結(jié)構(gòu)緊湊,對機(jī)器人的避障路徑規(guī)劃影響極小;(3) 通過設(shè)計(jì)不同的工具先端實(shí)現(xiàn)可以對多種任務(wù)進(jìn)行有效配適,在更換工具時僅需要對目標(biāo)工具進(jìn)行一次抓取;(4)純機(jī)械機(jī)構(gòu)設(shè)計(jì),成本低廉,可靠性強(qiáng)。
非接觸式檢測平臺FluSense由麥克風(fēng)陣列和熱成像攝像機(jī)組成,用于捕捉不同的候診室人群行為,包括咳嗽和語言活動以及候診室病人數(shù)量
應(yīng)用于MIS的觸覺傳感器主要是基于電學(xué)或光學(xué)原理開發(fā)的,應(yīng)該是小尺寸和圓柱形的,可在導(dǎo)管的管身或尖端集成
MIS 和RMIS觸覺傳感器最常用的傳感原理是基于電氣的傳感器。這些觸覺傳感器進(jìn)一步分為壓阻型、壓電型和電容型傳感器
馬庫斯系統(tǒng)性地闡述了對當(dāng)前AI研究界的批判,從認(rèn)識科學(xué)領(lǐng)域中針對性地給出了11條可執(zhí)行的建議
記憶增強(qiáng)的圖神經(jīng)網(wǎng)絡(luò)對短期的商品語境信息建模,并使用共享的記憶網(wǎng)絡(luò)來捕捉商品之間的長期依賴,對多個模型進(jìn)行了對比,在Top-K序列推薦中效果極佳
外賣履約時間預(yù)估模型,預(yù)估的是從用戶下單開始到騎手將餐品送達(dá)用戶手中所花的時間
解決了傳統(tǒng)圖卷積神經(jīng)網(wǎng)絡(luò)中圖節(jié)點(diǎn)學(xué)習(xí)到的特征對圖分辨率和連接關(guān)系敏感的問題,可以實(shí)現(xiàn)在低分辨率的三維形狀上學(xué)習(xí)特征,在高低分辨率形狀之上進(jìn)行測試,并且保持不同分辨率特征的一致性
2020年5月底OpenAI發(fā)布了有史以來最強(qiáng)的NLP預(yù)訓(xùn)練模型GPT-3,最大的GPT-3模型參數(shù)達(dá)到了1750億個參數(shù)
達(dá)摩院金榕教授介紹了語音、自然語言處理、計(jì)算機(jī)視覺三大核心AI技術(shù)的關(guān)鍵進(jìn)展,并就AI技術(shù)在在實(shí)際應(yīng)用中的關(guān)鍵挑戰(zhàn),以及達(dá)摩院應(yīng)對挑戰(zhàn)的創(chuàng)新實(shí)踐進(jìn)行了解讀
新一代移動端深度學(xué)習(xí)推理框架TNN,通過底層技術(shù)優(yōu)化實(shí)現(xiàn)在多個不同平臺的輕量部署落地,性能優(yōu)異、簡單易用。騰訊方面稱,基于TNN,開發(fā)者能夠輕松將深度學(xué)習(xí)算法移植到手機(jī)端高效的執(zhí)行,開發(fā)出人工智能 App,真正將 AI 帶到指尖
新加坡國立大學(xué)NExT中心的王翔博士分析了知識圖譜在個性化推薦領(lǐng)域的應(yīng)用背景,并詳細(xì)介紹了課題組在個性化推薦中的相關(guān)研究技術(shù)和進(jìn)展,包括基于路徑、基于表征學(xué)習(xí)、基于圖神經(jīng)網(wǎng)絡(luò)等知識圖譜在推薦系統(tǒng)中的融合技術(shù)
根據(jù)各種指法的具體特點(diǎn),對時頻網(wǎng)格圖、時域網(wǎng)格圖、頻域網(wǎng)格圖劃分出若干個不同的計(jì)算區(qū)域,并以每個計(jì)算區(qū)域的均值與標(biāo)準(zhǔn)差作為指法自動識別的特征使用,用于基于機(jī)器學(xué)習(xí)方法的指法自動識別