All Questions
Questions Per Page:
  • 作者简介: 陈嘉,现为联想创投集团香港大数据研发中心负责人。具有十多年机器学习、模式识别的研究和工程经验。 本科毕业于清华大学自动化系,在香港科技大学计算机系获得博士学位。 曾联合创立一家模式识别技术公司,后在百度移动广告部门担任资深算法工程师,在华为诺亚方舟实验室担任研究员。 发表多篇学术论文,持有多项美国专利。 科学技术是第一生产力。     这一期的话题刚好是回应整份报告的标题:人工智能技术对未来生产力的影响。 先来一个估算: Across industries, we see a roughly 0.5%-1.5% reduction in labor …

    AIlenovo Asked on 2017年2月9日 in 机器人.
    • 1213 views
    • 0 answers
    • 0 votes
  • (此图为本书的英文版,由于防止盗版出现,本书中文版封面将在正式发售之日公布) 这也是36氪成立以来单独推荐的第一本书。 关于赫拉利及《人类简史》 (摄影师:郭晓川) 2014年,一位年轻的以色列历史学家尤瓦尔·赫拉利写了一部叫做《人类简史》的书。这本书一经上市就登上以色列畅销书排行榜第一名,100周蝉联榜单首位,引发30个国家争相购买版权,并入选比尔·盖茨、扎克伯格等诸多意见领袖的年度书单。 这本被称作奇书的《人类简史》以其宏大的历史视角和独到的观点,颠覆了人们对人类历史的认知。他认为人类祖先智人之所以能够崛起统治地球,是因为其拥有强大的虚构能力,人类现存的一切——国家、宗教、企业等都是虚构出来的现实,是一种基于想象的共同体。正因为有了这样的共同认知,人类才能够有效协作,形成更大规模的全球性连接。 《未来简史》有怎样颠覆性的观点? 人类未来将要面对的三大主题 永生不老、幸福快乐和成为具有“神性”的人类。而第三个主题也是这本书副标题的来由:从智人到神人。 人类将进化成新物种 随着以大数据、人工智能为代表的科学技术发展的日益成熟,人类进化成更高级的物种成为可能,这也是智人统治地球以来最大的一次改变,绝大部分人将沦为“无价值的群体”,只有少部分人能进化成特质发生改变的 “神人”。 人作为个体的价值将不复存在 很多实验证明,人的欲望不受意识控制。实际上,计算机算法比你自己更了解自己。因此,人工智能强大后,大部分人将失去价值,机器将取代人承担更多的工作,那么人工智能革命将带来一个新阶层:无用阶层。 将近99%的人类工作都是毫无价值的 人工智能和算法对人的作用与价值形成了极大的挑战。对大多数的现代工作来说,有99%的人类特性及能力都是多余的累赘。人工智能要把人类挤出就业市场,只要在特定行业需要的特定能力上超越人类,就已足够。 算法将统治21世纪 生命本身就是一种自然进化的算法,人类的本能就是生化算法在起作用。人类社会的未来将会是产生一个全新的、甚至效率更高的数据处理系统,称为“万物互联网”。回首过去,人类也只会成为宇宙数据流里的一个小小的涟漪。 它为什么值得36氪单独推荐? 如果说赫拉利的第一本书《人类简史》解读了人类“由动物到上帝”的过程,更多属于人类学的范畴。那这本重磅续作《未来简史》则着重阐述了大数据、人工智能、算法对于未来社会和人类发展的变化。而36氪作为中国最大的互联网创投、科技媒体,无疑希望能带领读者们参与到这项影响科技发展与人类社会进步的讨论。 …

    pythongirl Asked on 2017年1月18日 in 机器人.
    • 1101 views
    • 0 answers
    • 0 votes
  • 本文作者:游瑞 2016-06-08 18:43 SLAMslamtec思岚科技激光雷达 今年8月,雷锋网将在深圳举办一场盛况空前,且有全球影响力的人工智能与机器人峰会(CCF-GAIR)。届时雷锋网(公众号:雷锋网)将发布“人工智能&机器人Top25创新企业榜”榜单。目前,我们正在拜访人工智能、机器人领域的相关公司,从中筛选最终入选榜单的公司名单。如果你也想加入我们的榜单之中,请联系:2020@leiphone.com。 陈士凯:上海思岚科技有限公司(SLAMTEC)CEO,08年毕业于上海交通大学,毕业后在微软亚洲研究院(MSRA)实习。后来在英特尔亚太研发有限公司软件与服务事业部(SSG)担任软件工程师,11年进入盛大创新院。之后在RoboPeak一支机器人研发团队的基础上创办了Slamtec。 提到SLAM就会想到SLAMRTEC的思岚科技是一家提供消费级产品领域的高性能机器人定位导航解决方案及相关核心传感器的公司。主要产品有低成本360度激光扫描测距雷达(RPLIDAR)、基于激光的模块化自主定位导航解决方案(SLAMWARE)与适于商业环境的通用型服务机器人平台(ZEUS)。此前雷锋网在《做低成本激光雷达的Slamtec,终于说出了自己的真实想法》一文中采访过的技术宅CEO陈士凯,这次以硬创公开课讲师的身份再次出现,为各位带来了许多关于SLAM技术中涉及地图描绘还有导航的干货内容,信息量太大,本文仅供诸位慢慢吸氧,想要获取更多信息,关注硬创公开课微信号(ycopen)。 机器人对环境的认识与人对环境的认识有什么差异? 机器人描述环境过程主要就是靠地图,就和人绘制地图一样用环境地图来描述其当前环境信息,并且随着使用的算法与传感器差异采用不同的地图描述形式。 机器人对环境地图的描述的方式最常见的为栅格地图(Grid map)或者称为Occupancy Map。这种地图看起来和人们所认知的地图没啥区别。最早由NASA的Alberto Elfes在1989年提出的,在火星探测车上就用到过,其本质是一张位图图片,但其中每个“像素”则表示了实际环境中存在障碍物的概率分布。 一般来说,采用激光雷达、深度摄像头、超声波传感器等可以直接测量距离数据的传感器进行SLAM时,可以使用该地图。这种地图也可以通过距离测量传感器,超声波(早期),激光雷达(现在)绘制出来。 另外用在视觉SLAM这块用的比较多是特征点地图,这种地图记录环境中特征点(或称为关键点)的几何空间位置。这种地图相比栅格地图看起来就不那么直观了。一般通过如GPS、UWB以及摄像头配合稀疏方式的vSLAM算法产生,优点是相对数据存储量和运算量比较小,在最早的SLAM算法中这种地图多见。 第三种相比会更加直观,就像卫星地图一样。直接将传感器原始数据通过简单处理拼接的地图 ,像这个图是直接记录了屋子内天花板画面的图像地图。另外,还有一种相对更加抽象的地图形式,拓扑地图,它只记录所在环境拓扑链接关系,这类地图一般是由前几类地图通过相关算法提取得到。 当然,针对具体算法和应用不同,还有很多其他机器人描述环境的地图表现形式。他们都是为了帮助机器人解决某一系列问题而设计的。总的来说,拓扑地图是与人类描述世界最接近的一种地图表达方式,因为它更加抽象,更加能反应所在环境的高层次特点。不过这种地图一般并不是SLAM算法所直接产生的,而往往是在进行相关的后期应用时才会用到的。比如扫地机器人要进行房间清扫的时候,就会建立这样的拓扑地图: 要说特点和优劣,其实要和具体应用有关,不过总得来说,类似卫星地图这种直接使用传感器(一般是图像传感器)所构建的直接地图也很少使用,因为它的信息冗余度最大,对于数据存储是很大的挑战,此外,机器人要从中提取出有用的数据要耗费一番周折。 而特征点地图又是另一个极端,虽然数据量少,但是它往往不能反应所在环境的一些必须的信息,比如环境中障碍物的位置。因此这类地图基本只能用于定位问题。而要让机器人进行自主壁障和路径规划,就必须依赖其他的地图类型。所以目前其实vSLAM更多解决定位问题,要实现导航,还需要额外配置距离传感器,如激光雷达、超声波来完成。 …

    yourui Asked on 2016年10月25日 in 机器人.
    • 1077 views
    • 0 answers
    • 0 votes
  • 有那些门道,要掌据那些技术,你才有可能成为钢铁侠 编码之妙 2016-08-18 06:47 在电影中,钢铁侠的装备赋予了普通肉身人Tony Stark上天入地、无坚不摧的超能力。科幻源于人类的梦想和创造力,打造钢铁战衣的科幻技术很多在现实生活中都能找到对应的实验原型和产品。难处在于现实中的技术还无法做到象电影中那样完美集成,无法小型化、精密化,也无法象电影中展现的那样运用自如、随心所欲。 除了 @德高@刘义 提到一些技术点外,我想补充下现实中能运用到钢铁侠制造的一些技术点及其发展历史: 1)3D全息交互(3D Holographic Interaction) Tony Stark通过虚拟3D全息显示设备来设计战衣,这套设备投射的虚拟物体能够自由旋转和放大,仿佛真实物体一样可以操控。类似的概念在《星球大战》、《阿凡达》等电影中也屡见不鲜。 而在现实中,这项技术也在逐渐成形。早在2002年,MIT研究生Chad Dyne就发明了空气投影交互技术Helios Display,运用电子和热动力原理在空气中形成虚拟3D全息图像,并借助激光跟踪技术来与虚拟图像产生交互。 目前,Chad Dyne创立的IO2和芬兰的FogScreen是市场上主要气体投影设备的商用厂家。 2005年,IO2公司公开展示了世界上第一台3D空间投影系统,可以投射出22-42英寸的虚拟物体。如同钢铁侠一样,操作者可以不借助任何外界物体,就能直接对空气中的虚拟投射物体进行操作。 …

    山东大叔 Asked on 2016年8月25日 in 机器人.
    • 1229 views
    • 0 answers
    • 0 votes
  • 最近,神经网络成为了解决一系列计算机科学难题的一种选择:Facebook使用神经网络来识别图像中的人脸,谷歌使用它们来识别图像中所有东西。苹果公司使用它们来理解你对Siri说的话,IBM则用来操作业务单元的协同作用。 这太令人印象深刻了。但对于实际问题呢?神经网络可以在你需要的时候帮你找到你需要的任何表情符号吗? 哎呀,是的。它们可以。 这篇文章将概述Dango背后的一些工程原理,它可以让我们从数以亿计的现实世界的符号表情使用情况中自动学习,从而产生了一款轻量快捷的工具,用来在手机上实时为你预测表情符号。 Dango是什么? Dango是一款运行在手机上的浮动助理,它会根据你与你朋友在任何应用中所写的东西来预测表情符号,贴图和GIF图片。这使得你在任何应用中都有同样丰富的对话:Messenger,Kik,Whatsapp,Snapchat等。(单单在所有应用中都实现这样的功能就是一大挑战了,不过这不属于这里要讨论的)。 推荐表情符号很困难:Dango必须理解你正在写的语句的意思,然后才能为你推荐你想使用的表情。在核心部分,Dango的预测由神经网络来实现。神经网络是一种计算结构,有上百万的可调参数,以类似人脑神经元的连接方式相互连接。 随机对这些参数初始化来训练神经网络,然后输入从互联网上抓取的数以百万的现实世界表情符号使用案例,比如: 最开始,网络只是随意猜测,但是随着新的训练样例的输入,它轻微调整那百万个参数,因此它会在那个样例上表现更好。在顶级GPU上训练了几天之后,网络开始输出更具意义的推荐了: 我们从表情符号中学到的东西 这种由数据驱动的表情符号预测方法意味着Dango比我们更了解表情符号。Dango教我们使用新的俚语,以及世界各地人们使用表情符号讲述故事的新方式。 例如:如果你写“Kanye is the”,Dango将会预测一个山羊表情。这只山羊当然表示Greatest of All Time(G.O.A.T),这是Kanye在今年早些时候的自称: 在他意识到他是当代以及所有时代最伟大的艺术家时说的。 — KANYE …

    山东大叔 Asked on 2016年6月21日 in 机器人.
    • 1439 views
    • 0 answers
    • 0 votes
  • 6月17日,开发全球首款社交机器人Jibo的两位创始人Cynthia Breazeal与Steven G.Chambers来华,分享了Jibo作为社交机器人与其它机器人产品的差异,目前产品的研发进展,以及未来量产计划和对开发者的支持。同时,作为Jibo在中国负责本土化研发和市场拓展,同时也是Jibo投资方的东方网力的董事长刘光也分享了本土化进展。 Jibo的创始人Cynthia Breazeal是美国麻省理工学院媒体实验室的个人机器人小组创始人,也曾是该小组的主管,是社交机器人领域的领军人物。Breazeal认为,社交机器人不仅仅要有自然的沟通能力,还需要能理解人类的思维方式。她认为,社交机器人与其它机器人最大的不同是,它除了具备智能设备的感知、计算、交互能力,更重要是能像伙伴一样与人们形成情感的交互。为此他们为Jibo研发了一套Character AI(人格化AI)。它可以读懂用户的需求、情绪,帮助你并与你交流。同时,经过一段时间的相处,Jibo会根据积累的用户行为数据,进一步了解用户的喜好。 Jibo的创始人Cynthia Breazeal目前Jibo能做的事情有很多,比如为你讲故事、拍照、聊天,像实体化的Siri一样为你安排日程、收发信息、订餐,甚至是控制家中的其它智能设备。 在媒体见面会上,Steven G.Chambers还分享了一组数字。目前Jibo的预售量已经达到6500个,有30%的购买者是开发者。Jibo团队计划在产品正式出货同时,提供SDK。不过Jibo给开发者带来了一套全新的交互方式,所以想让开发者像给iOS和Android开发应用那样得心应手肯定需要些时间。 在本土化方面,东方网力表示副总裁何华杰分享道,Jibo将与多家国内团队合作,共同打造内容及服务生态。东方网力在今年下半年还会进一步对Jibo的应用开发者提供资金和技术支持。 Jibo预计将在今年10月左右在美国率先面市。同时,东方网力已经成立了本土化的研发团队,队伍还在不断扩大。国内的用户将在明年中旬见到能说一口流利中文的Jibo。Jibo的售价预计是749美元(约合人民币4935元)。

    山东大叔 Asked on 2016年6月21日 in 机器人.
    • 1073 views
    • 0 answers
    • 0 votes
  • 机器人控制该怎么入门?  这里指的控制是自动控制,偏向机器人运动控制一类,应该如何入门,如何在把基础功打扎实、建立完整的知识构架的原则下,高效地学习? 对于工科领域来说,脱离实践的学习都是肤浅的,对于控制这种强调经验的技术更是如此。如果去问一个程序员怎么学习一块技术,他必然让你去多编程。机器人领域也是。如果想把基本功打扎实,那么实践更是必不可少了。 对于普通学生入门来说 一款合适的机器人平台 + 入门级的控制算法进行试验。同时深入地学习相应地理论知识。 对于一个有控制基础,需要现学现用的工作者来说,啃一本诸如《现代控制工程》的书籍,在工作者演练,下面的平台内容直接略过。 关于平台的选择和相应的学习教程,我放在最后,防止大图分散了重点。 先结合机器人来说一下控制。对于设计任何一个控制系统来说,需要了解自己的输入、输出、控制元件,和算法。在一个简易的机器人系统里,分别对应的原件是: 输入 — 传感器 (声呐,红外,摄像头,陀螺仪,加速度计,罗盘) 控制元件 — 电机 控制算法 — 控制板 …

    atom Asked on 2016年5月21日 in 机器人.
    • 1253 views
    • 1 answers
    • 0 votes
  •   2016-05-20 21:30     仅仅在一百多年前,飞行还只是科幻小说家为人们罗织的一套遥不可及的梦想,而那些目睹莱特兄弟首次飞上天空的路人更是惊讶得连下巴都快垂到地上。可也就在这科技爆炸的一百多年内,人类的想象力阈值被无限提高,不计其数的技术奇迹都变得令人乏味甚至无聊。 在这个一切技术进步都被视为「理所当然」的时代,就算有一天街上的汽车都具备了自动驾驶功能,人们也不会感到丝毫惊讶——因为早在几年前,谷歌就公布了其开发无人车的计划。经过多年的技术沉淀,自动驾驶技术终于达到即将实用化的节点。加之许多声称将要推出无人车的公司在发布会和车展中高调亮相,一时间人们对无人车的调侃和揶揄不绝于耳。 正在此时,美国匹兹堡,这座在机器人研发方面走在世界前列的城市里,出现了 Uber 无人车的踪迹。根据目前仅有的几张照片来看,Uber 采用了福特混合动力车,车顶巨大的设备,据悉是装载了各式传感器,包括雷达、激光扫描仪以及高分辨率摄像头。在无人车项目方面低调无比的 Uber,直到进入公共道路试验阶段才被曝光。 与谷歌的诉求不同,Uber 开发无人车纯粹是出于为其现有出行业务服务的目的;而上路试验的 Uber 无人车更是与展台上那些炫酷的概念车有着本质的区别。在 Uber 看来,人为因素导致的出行安全问题,在自动驾驶技术普及之后将被大大缓解。若自动驾驶技术应用于未来,可有效减少拥堵,给到人们更经济更便利的出行选择,并大大降低因车祸导致的人身损失和人员伤亡。 技术积累不会在一夜之间得以完成。那么问题来了,Uber 在过去一两年内究竟做了些什么? …

    hanvonwcd Asked on 2016年5月21日 in 机器人.
    • 1200 views
    • 0 answers
    • 0 votes
  • 如果从核心架构来说,ROS可以看成一个开发机器人控制软件的工具链。 所以,如果说开发机器人的流程,那么其本质就是怎么理解机器人系统。。 按照ROS目前给的主线,我觉得可以这样理解。 机器人模型就是如何描述一个机器人。核心就是描述机器人的物理结构和运动学链。 这个部分ROS给出的是解决方案是URDF(unified robot description format)以及XACRO。通过编写URDF,可以给出一个机器人的通用描述。这部分ROS的wiki都有详细的介绍,可以参看。 MoveItMoveIt可以说是ROS相当重量级的一个应用,它包含了控制机器人运动的核心功能,通过它,你就可以完成构建机器人控制的主要工作。 这个部分内容比较多,主要有如下几个模块。 Setup Assistant:向导工具,帮助配置MoveIt,我们真正使用的一个工具。通过它,我们就可以完成大部分配置工作,这些配置使得下述的模块都可以自动的正确工作。 运动学:通过对URDF的解析生成机器人的运动学求解方法,运动学中最困难的是逆运动学是用一个叫KDL(kinematics dynamics library)的库实现的,这个求解过程是基于数值计算方法的。如果想使用解析方法,好像OENRAVE提供了一个工具可以帮助生成解析方法的算法源代码。具体可以查看相关的wiki。 轨迹规划:机器人从一个关节姿态到另一个关节姿态的运动求解,ROS使用了一个叫OMPL的第三方库来实现这个功能,这个库是基于随机化算法的。moveit中还提供了一个时间参数化的控制点插值,将轨迹分为很多小点列,以方便控制器控制关节运动。 3D视觉,这个部分我也不太熟悉,应该就是跟机器人视觉传感器采集处理数据有关。 控制器接口:用来向和机器人关节控制器发送轨迹规划生成的位置信息。 Rviz: 人机界面,用来提供人机交互功能。 …

    hanvonwcd Asked on 2016年5月19日 in 机器人.
    • 1424 views
    • 0 answers
    • 0 votes