现代自动化生产中要求机器人系统具备一定柔性以适应变种变量的生产需求。例如在机器人分拣及组装中,机器人需要快速处理各式不同的物体。使机器人系统可以稳定并且低成本的操控多种目标物体是实现新一代高效自动化生产的重要研究目标。目前机器人系统针对多种物体的操作,主要通过机械手/手指更换设备或多功能机械手来实现[1][2]。然而机械手/手指更换设备需要部署辅助控制设备和外部能源供给,这增加了系统的复杂度。同时,设备的控制与供能需要引入电缆或气管,这会对机械臂的自由灵活运动产生干扰。此外,多功能机械手仅可适用于一定范围的操作任务。对此,摩登7提出了让机器人使用不同工具来操作多样化目标物的方法。这里提到的工具并不是机器人学中对终端执行器的称呼,而是同人类使用的镊子,剪刀等工具一样的可以被机械手直接控制的工具。此工具为复杂的变种变量的操作任务提供了一项有效的解决方案,它有如下特征:(1) 通过机械机构实现机械手到工具的动力传递,无需外部控制及供能;(2)结构紧凑,对机器人的避障路径规划影响极小;(3) 通过设计不同的工具先端实现可以对多种任务进行有效配适,在更换工具时仅需要对目标工具进行一次抓取;(4)纯机械机构设计,成本低廉,可靠性强。
非接触式检测平台FluSense由麦克风阵列和热成像摄像机组成,用于捕捉不同的候诊室人群行为,包括咳嗽和语言活动以及候诊室病人数量
应用于MIS的触觉传感器主要是基于电学或光学原理开发的,应该是小尺寸和圆柱形的,可在导管的管身或尖端集成
MIS 和RMIS触觉传感器最常用的传感原理是基于电气的传感器。这些触觉传感器进一步分为压阻型、压电型和电容型传感器
马库斯系统性地阐述了对当前AI研究界的批判,从认识科学领域中针对性地给出了11条可执行的建议
记忆增强的图神经网络对短期的商品语境信息建模,并使用共享的记忆网络来捕捉商品之间的长期依赖,对多个模型进行了对比,在Top-K序列推荐中效果极佳
外卖履约时间预估模型,预估的是从用户下单开始到骑手将餐品送达用户手中所花的时间
解决了传统图卷积神经网络中图节点学习到的特征对图分辨率和连接关系敏感的问题,可以实现在低分辨率的三维形状上学习特征,在高低分辨率形状之上进行测试,并且保持不同分辨率特征的一致性
2020年5月底OpenAI发布了有史以来最强的NLP预训练模型GPT-3,最大的GPT-3模型参数达到了1750亿个参数
达摩院金榕教授介绍了语音、自然语言处理、计算机视觉三大核心AI技术的关键进展,并就AI技术在在实际应用中的关键挑战,以及达摩院应对挑战的创新实践进行了解读
新一代移动端深度学习推理框架TNN,通过底层技术优化实现在多个不同平台的轻量部署落地,性能优异、简单易用。腾讯方面称,基于TNN,开发者能够轻松将深度学习算法移植到手机端高效的执行,开发出人工智能 App,真正将 AI 带到指尖
新加坡国立大学NExT中心的王翔博士分析了知识图谱在个性化推荐领域的应用背景,并详细介绍了课题组在个性化推荐中的相关研究技术和进展,包括基于路径、基于表征学习、基于图神经网络等知识图谱在推荐系统中的融合技术
根据各种指法的具体特点,对时频网格图、时域网格图、频域网格图划分出若干个不同的计算区域,并以每个计算区域的均值与标准差作为指法自动识别的特征使用,用于基于机器学习方法的指法自动识别