現代自動化生產中要求機器人系統具備一定柔性以適應變種變量的生產需求。例如在機器人分揀及組裝中,機器人需要快速處理各式不同的物體。使機器人系統可以穩定并且低成本的操控多種目標物體是實現新一代高效自動化生產的重要研究目標。目前機器人系統針對多種物體的操作,主要通過機械手/手指更換設備或多功能機械手來實現[1][2]。然而機械手/手指更換設備需要部署輔助控制設備和外部能源供給,這增加了系統的復雜度。同時,設備的控制與供能需要引入電纜或氣管,這會對機械臂的自由靈活運動產生干擾。此外,多功能機械手僅可適用于一定范圍的操作任務。對此,我們提出了讓機器人使用不同工具來操作多樣化目標物的方法。這里提到的工具并不是機器人學中對終端執行器的稱呼,而是同人類使用的鑷子,剪刀等工具一樣的可以被機械手直接控制的工具。此工具為復雜的變種變量的操作任務提供了一項有效的解決方案,它有如下特征:(1) 通過機械機構實現機械手到工具的動力傳遞,無需外部控制及供能;(2)結構緊湊,對機器人的避障路徑規劃影響極。(3) 通過設計不同的工具先端實現可以對多種任務進行有效配適,在更換工具時僅需要對目標工具進行一次抓;(4)純機械機構設計,成本低廉,可靠性強。
非接觸式檢測平臺FluSense由麥克風陣列和熱成像攝像機組成,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量
應用于MIS的觸覺傳感器主要是基于電學或光學原理開發的,應該是小尺寸和圓柱形的,可在導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。這些觸覺傳感器進一步分為壓阻型、壓電型和電容型傳感器
馬庫斯系統性地闡述了對當前AI研究界的批判,從認識科學領域中針對性地給出了11條可執行的建議
記憶增強的圖神經網絡對短期的商品語境信息建模,并使用共享的記憶網絡來捕捉商品之間的長期依賴,對多個模型進行了對比,在Top-K序列推薦中效果極佳
外賣履約時間預估模型,預估的是從用戶下單開始到騎手將餐品送達用戶手中所花的時間
解決了傳統圖卷積神經網絡中圖節點學習到的特征對圖分辨率和連接關系敏感的問題,可以實現在低分辨率的三維形狀上學習特征,在高低分辨率形狀之上進行測試,并且保持不同分辨率特征的一致性
2020年5月底OpenAI發布了有史以來最強的NLP預訓練模型GPT-3,最大的GPT-3模型參數達到了1750億個參數
達摩院金榕教授介紹了語音、自然語言處理、計算機視覺三大核心AI技術的關鍵進展,并就AI技術在在實際應用中的關鍵挑戰,以及達摩院應對挑戰的創新實踐進行了解讀
新一代移動端深度學習推理框架TNN,通過底層技術優化實現在多個不同平臺的輕量部署落地,性能優異、簡單易用。騰訊方面稱,基于TNN,開發者能夠輕松將深度學習算法移植到手機端高效的執行,開發出人工智能 App,真正將 AI 帶到指尖
新加坡國立大學NExT中心的王翔博士分析了知識圖譜在個性化推薦領域的應用背景,并詳細介紹了課題組在個性化推薦中的相關研究技術和進展,包括基于路徑、基于表征學習、基于圖神經網絡等知識圖譜在推薦系統中的融合技術
根據各種指法的具體特點,對時頻網格圖、時域網格圖、頻域網格圖劃分出若干個不同的計算區域,并以每個計算區域的均值與標準差作為指法自動識別的特征使用,用于基于機器學習方法的指法自動識別