精华内容
下载资源
问答
  • 这是科幻小说《银河系漫游指南》中智能计算机「Deep Thought(深思)」经过750万年运算,找到的「关于生命,宇宙及一切问题的终极答案」。 为什么是42?「深思」把这个问题交给了一台更高智能的电脑——地球来回答...
  • 42个AI与机器人问题之——「机器人领域未来发展方向是什么?」9月2日在深圳举办首届「Nature Conference - AI与机器人大会」上,Sethu V...
        

    42个AI与机器人大问题之——

    「机器人领域的未来的发展方向是什么?」


    9月2日在深圳举办的首届「Nature Conference - AI与机器人大会」上,Sethu Vijayakumar 教授将给出他的答案。

    640?wx_fmt=png

    扫码参会


    本届大会由腾讯 AI Lab 携手Nature Research(自然科研)及旗下《自然-机器智能》、《自然-生物医学工程》两本期刊联合举办。大会上将发布「42个 AI 与机器人大问题」报告,并邀请 11 位世界知名学者为这些宏大问题给出每个人独特而深刻的理解与答案。在报告中,我们还邀请到 Yoshua Bengio、Jürgen Schmidhuber和多位中国院士提供专家见解,也欢迎你参与报告调研。

    640?wx_fmt=png

    42问调研


    「42 」源自科幻小说《银河系漫游指南》,是智能计算机「Deep Thought(深思)」经过 750 万年运算,找到的「关于生命,宇宙及一切问题的终极答案」。我们希望这个有终极目标意涵的 42 个大问题,能激发对人、AI与机器人未来的长远思考与规划。

    640?wx_fmt=jpeg

    下面开启我们的旅程第一站,看看想让机器人帮人类建立火星殖民地的Sethu Vijayakumar教授,如何思考人与机器人的未来?

    640?wx_fmt=png

    Sethu Vijayakumar 是爱丁堡大学机器人学教授,爱丁堡机器人研究中心主任,也是英国阿兰·图灵研究所人工智能项目联合主任。他的研究涉猎广泛,包括机器人学、统计机器学习、运动控制、自主系统计算和优化,以及计算神经科学等领域的跨学科研究。他领导过多个英国、欧盟和国际的机器人研究项目,发表了180多篇高引用论文,曾获得 IEEE Vincent Bendix 奖,2013 IEEE机器人技术最佳论文奖,以及其他几个来自顶尖会议和期刊的论文奖。


    自1998年在东京工业大学获得博士学位之后,Vijayakumar就一直致力于探索研发能够具备学习能力的机器人。他在很早的时候就探索过统计学习方法在实时机器人学习中的应用,也研究了强化学习对机器人控制的价值,其 2005 年的论文《Natural Actor-Critic》对强化学习的发展有重要影响。


    Vijayakumar 教授率先使用大规模机器学习技术来实时控制一些大自由度拟人机器人系统,包括SARCOS和HONDA ASIMO类人机器人,KUKA-DLR机器人手臂,以及iLIMB假肢手。目前,他带领团队研究的方向包括四足机器人、人形机器人、外骨骼技术、机器义肢、实时运动控制等。


    海上石油机器人,帮人类分担苦累活

    640?wx_fmt=png

    Vijayakumar 领导的爱丁堡机器人研究中心正在开发一些用于北海石油钻井平台的机器人。


    北海(North Sea)是北大西洋的一部分,位于大不列颠岛以东,斯堪的纳维亚半岛西南和欧洲大陆以北。这里是西欧最大的石油和天然气储藏区,从北海中提取的布伦特原油,其价格被视为世界标准价格之一。


    然而,海上开采石油和天然气的工作环境恶劣,每天都有无数重复枯燥、肮脏危险的工作,因此即便抛出高薪诱惑,应聘者也依然寥寥。于是引入机器人成为必然之举,它们可以导航近海装置,执行评估、维修和一些其他任务,帮助缓解人力不足的问题。


    不过,钻井平台并不会仅由机器人运行,人类团队会留在海上维护和管理设备。「机器人并不会完全取代人类工作,而是利用技术改善人类工作条件,并使生产在经济上更具可行性。」Vijayakumar 强调,「人类仍然非常擅长利用经验根据情境做出决策。我们所关注的是机器人与人类之间的合作,机器人更像是一种工具。」


    Vijayakumar 希望带领团队探索更全面的解决方案,将多种机器人结合在一起——从游泳机器人到飞行机器人,以及可以爬上台阶,在光滑或崎岖的地面上通行的四足机器人。这些创新技术将是延续北海石油工业的关键。「为了使我们的石油和天然气行业能与世界其他地区竞争,我们需要这个计划。如果我们不引进这项技术,这个行业将不复存在。」Vijayakumar说。


    NASA人形机器人,在火星建造人类殖民地

    Vijayakumar 最近领导的一个项目是为 NASA 训练机器人 Valkyrie ,用于帮助人类未来在月球或火星上建立殖民地。Valkyrie 高1.8米,重125公斤,是世界上最先进的人形机器人之一。该机器人由 NASA-JSC 建造,其中一台于2016年3月交由 Vijayakumar 团队进行训练,希望能实现拟人控制、运动规划和感知方面的突破。

    640?wx_fmt=jpeg

    Vijayakumar 团队与 Valkyrie 机器人


    火星任务为何需要拥有双足的人形机器人?其关键在于,宇宙飞船是根据人类(尤其是有力灵巧的宇航员)的身体和动作特征设计的。尽管轮式/履带式机器人也很有用,但若要在狭窄的飞船里行走、攀爬、登梯以操作各种仪器,轮子就过于笨重和累赘了。


    不过,开发人形机器人也颇具挑战,由于重心高、体重沉,行走中保持平衡十分不易,是人形机器人需要掌握的核心技能之一。一些对于人类来说轻而易举的能力,比如动作灵敏、行走稳定地完成开关门和传递工具等,要集合至复杂的机器人系统中其实十分困难,甚至还不如两三岁的小孩灵巧自如。Vijayakumar 及其团队在去年发表的一篇论文中,提出一种分层深度强化学习框架,可获得多种推动恢复和平衡行为的运动技能,比如踝关节、髋关节和步法等策略。该策略在物理学模拟器中进行训练,具有机器人模型的真实设置和低水平阻抗控制,可轻松将学习的技能传递给真实的机器人。

    640?wx_fmt=png

    公众对于机器人的能力常有过高预期,但 Vijayakumar 表示:「让机器人实现人类所期待的动作,要比想象中复杂得多。」他举了一个例子:让机器人走到桌子跟前,拿起桌上的一件东西并进行操控。这个看似简单的过程需要分解成多个步骤:首先是规划,要保持稳定性、避免碰撞,确保机器人在能力范围内能拿到物品;其次是通过机器人身上的传感器判断真实的环境状况,从而实现抓握和操控动作;最后还需要解决实时控制问题。Valkyrie 每秒可接收上千个指令,要确保这三个关键环节正确无误是一个极为复杂的系统过程。


    也许正是因为机器人研究时常处于各种大众误解中,Vijayakumar 多年来积极致力于科学传播。他认为,「作为从业者,我们应该向公众、法律制定者和政府宣传技术的巨大机遇,以及它的局限性。我们需要大力宣传,管理期望,并减轻恐惧。」 他参与了十多年的爱丁堡科学节,还帮助BBC推出了 Micro:Bit 计划——超过一百万名十一二岁的学生通过该项目获得了免费的微处理器,以帮助他们学习编程和制作交互式小发明。此外,他还担任了 BBC 电视节目《机器人大擂台(Robot Wars)》第 8-10 季(2016-2018)的评委。

    ▽ ▽ ▽

    关于机器人发展的未来, Vijayakumar 的心中有怎样一番图景?他说:「我们越来越多地看到机器人、其他人工智能和人类之间的相互作用,我们需要仔细考虑这些相互作用所产生的影响。」 在9月2日举行的AI与机器人大会上,Vijayakumar 将阐述他对下一代机器人控制的看法。


    |演讲摘要


    《共享自治:交互式机器人的未来》

    Shared Autonomy: The Future of Interactive Robotics


    下一代机器人将与人类和其它机器人实现更加紧密的合作,与周围环境的交互能力也将显著提升。因此,核心的关键范式将从孤立的决策系统变成涉及共享控制的系统——机器人平台将具备显著的自治能力,终端用户在这个过程中仅进行高层面的决策。


    本演讲将会简要介绍强大的机器学习技术,范围涵盖稳健的多模态感知、共享表征、可扩展实时学习和适应,以及顺应式执行(compliant actuation)的最优调度,这能让我们在保持安全控制的同时,享受到自动化增强带来的好处。


    这也会带来一些根本性问题:当机器人准备好共享控制时,我们满意的自治和控制之间的最优权衡是怎样的?


    与这个问题相关的领域包括无人太空探索、自动驾驶汽车、海上资产检修和维护、深海和自动采矿、共享制造、用于康复的外骨骼/义肢以及智能城市等。



    640?wx_fmt=jpeg

    ☟ 点击【阅读原文】参加AI与机器人大会

    展开全文
  • 机器人路径问题

    2021-05-27 16:26:32
    首先来看一下问题:一个机器人位于一个 m x n 网格左上角 (起始点在下图中标记为 “Start” )。 机器人每次只能向下或者向右移动一步。机器人试图达到网格右下角(在下图中标记为 “Finish” )。 总共有...

    机器人路径问题

    首先来看一下问题:一个机器人位于一个 m x n 网格的左上角 (起始点在下图中标记为 “Start” )。

    机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角(在下图中标记为 “Finish” )。

    问总共有多少条不同的路径?

    在这里插入图片描述

    分析:

    首先机器人从左上角(0,0)开始向右下角运动,每次机器人只能向右或者向下运动。

    • 第一种方法:深度搜索(不可用,时间复杂度过大)

    示意图

    如图所示,将机器人向右移动看成是右子树,向下移动看成是左子树,求机器人的路径即求二叉树的叶子节点的个数,用深度递归搜索

    int dfs(int i,int j,int m,int n)
    {
    	if(i>m||j>n) return 0;
    	if(i==m&&j==n) return 1;//找到了一条路径
    	return dfs(i+1,j,m,n)+dfs(i,j+1,m,n);
    }
    int uniquePath(int m,int n)
    {
    	return dfs(0,0,m-1,n-1);
    }
    由于二叉树的深度为m+n-2(0开始),二叉树的节点总数约为2^(m+n-2)-1;
    对二叉树的搜索相当于遍历一整颗树,时间复杂度为O(2^(m+n-2)-1,
    指数级的时间复杂度,运行会超时
    
    
    • 第二种方法:动态规划

    在使用动态规划前,首先得了解动态规划五部曲

    1. 确定dp数组下标的含义
      dp[i][j]:表示从(0,0)开始到(i,j)的位置有dp[i][j]条路径
    2. 确定递推方程
      想要求dp[i][j],只能有两个方向来推导出来,即dp[i - 1][j] 和 dp[i][j - 1]。
      dp[i][j]=dp[i-1][j]+dp[i][j-1];
    3. 初始化
    for (int i = 0; i < m; i++) dp[i][0] = 1;
    for (int j = 0; j < n; j++) dp[0][j] = 1;
    
    1. 确定遍历顺序
      这里要看一下递归公式dp[i][j] = dp[i - 1][j] + dp[i][j - 1],dp[i][j]都是从其上方和左方推导而来,那么从左到右一层一层遍历就可以了。
    2. 举例推导
      在这里插入图片描述
      代码:
    class Solution {
    public:
        //dp[i][j]表示从(0,0)到(i,j)有dp[i][j]条路径
        int uniquePaths(int m, int n) {
            //确定dp数组
            vector<vector<int>> dp(m,vector<int>(n,0));
            //dp[i][j]=dp[i-1][j]+dp[i][j-1];
            //初始化
            for(int i=0;i<m;i++) dp[i][0]=1;
            for(int j=0;j<n;j++) dp[0][j]=1;
    
            //遍历
            for(int i=1;i<m;i++)
            {
                for(int j=1;j<n;j++)
                {
                    dp[i][j]=dp[i-1][j]+dp[i][j-1];
                }
            }
            return dp[m-1][n-1];
    
        }
    };
    
    • 第三种方法:数论方法
      总的来说,从左上角到右下角一共会走m+n-2步,向右n-1步,向下m-1步,这么多步中选出m-1步,因为一定有m-1步是向下走的,不用管向右走的,组合问题,即为总的路径条数
      在这里插入图片描述
      代码:
    class Solution {
    public:
        int uniquePaths(int m, int n) {
            long long numerator = 1; // 分子
            int denominator = m - 1; // 分母
            int count = m - 1;
            int t = m + n - 2;
            while (count--) {
                numerator *= (t--);
                while (denominator != 0 && numerator % denominator == 0) {
                    numerator /= denominator;
                    denominator--;
                }
            }
            return numerator;
        }
    };
    

    机器人路径问题进阶版

    展开全文
  • 42个AI与机器人问题之——「有身体AI是否应该被区别对待?」9月2日在深圳举办首届「Nature Conference - AI与机器人大会」上,Angelo C...
        

    42个AI与机器人大问题之——

    「有身体的AI是否应该被区别对待?」

    本届大会由腾讯 AI Lab 携手Nature Research(自然科研)及旗下《自然-机器智能》、《自然-生物医学工程》两本期刊联合举办。大会上将发布「42个 AI 与机器人大问题」报告,并邀请 11 位世界知名学者为这些宏大问题给出每个人独特而深刻的理解与答案。在报告中,我们还邀请到 Yoshua Bengio、Jürgen Schmidhuber和多位中国院士提供专家见解,也欢迎你参与报告调研。

    640?wx_fmt=jpeg
    640?wx_fmt=jpeg

    「42 」源自科幻小说《银河系漫游指南》,是智能计算机「Deep Thought(深思)」经过 750 万年运算,找到的「关于生命,宇宙及一切问题的终极答案」。我们希望这个有终极目标意涵的 42 个大问题,能激发对人、AI与机器人未来的长远思考与规划。

    640?wx_fmt=jpeg

    下面我们将开启一段旅程,看看发展型机器人学先驱 Angelo Cangelosi 教授,如何思考机器人的学习原理和机制。

    640?wx_fmt=png

    Angelo Cangelosi 是英国曼彻斯特大学机器学习和机器人学教授,以及阿兰·图灵研究所的研究员。此前,他曾担任英国普利茅斯大学机器人与神经系统中心教授和创始主任。

    Cangelosi 是发展型机器人领域的先驱之一,为语言和涉身认知的神经-机器人建模做出了重要贡献。他的主要研究专长在于人形机器人的语言扎根(language grounding)和涉身性(embodiment ),发展型机器人,人机交互,以及用于机器人学习的神经形态系统的应用。他的研究在健康和社会护理机器人、人机交互中的信任和接受度方面都有重要的应用价值。

    Cangelosi 是包括 IEEE ICDL-EpiRob 在内的众多研讨会和会议的 general/bridging 主席。他发表了 250 多篇论文,其最新著作《发展型机器人学:由人类婴儿启发的机器人》已被翻译为中文和日文。他领导的团队正在参与美国与欧洲数个重大科学项目,包括美国空军科学与研究办公室的 THRIVE++ 项目、欧盟 Horizon 2020 计划的 MoveCare 项目、欧盟玛丽•居里行动计划的 SECURE 和 DCOMM 项目等。

    什么是发展型机器人学?

    人工智能之父阿兰·图灵曾在《计算机器与智能》一文中写道:「与其尝试建立模拟承认心智的计算机程序,为什么不尝试建立模拟儿童心智的程序呢?只要儿童心智程序获得合适的教育,那么它应该有可能成长为成人的大脑。」

    将儿童作为智能机器的设计模板,这一思想在1950年代的人工智能发展早期便已出现,然而并未受到广泛关注,直到20世纪末学界才开始了系统研究。

    那么,什么是发展型机器人学(Developmental Robotics)?它是对人工智能体(机器人)行为和认知能力的自主设计方法的研究,灵感来自于在儿童先天认知系统中观察到的发展原理和机制。研究者认为,与人类儿童一样,机器人的学习应该是累积式的,并且逐渐增加复杂性,结合社交互动来探索世界,从而自主获得愈发复杂的感觉运动和心智能力。

    发展型机器人学是一门高度跨学科的研究,既涉及发展心理学、神经科学和比较心理学等经验主义发展型学科,也包括机器人学和人工智能等计算与工程学科。Cangelosi 本人也拥有心理学、认知科学和人工智能的综合背景。他于1991年获得罗马大学的心理学(普通和实验心理学)硕士学位,1997年获得意大利热那亚大学心理学和人工智能博士学位。在此后的发展型机器人研究工作中,他为机器人的语言学习和涉身认知的神经-机器人建模做出了突出贡献。

    儿童如何学习语言?

    我们如何设计机器人,让它们能与人类自然地进行语言交流?按照发展型机器人学的观点,我们可以从儿童的语言学习中获得启发。儿童的语言习得原理之一是具有涉身性(embodiment ),也就是说,儿童会利用其身体与外界的关系(比如身体姿势与物体空间位置的关系),来学习新的物体-单词联系(记忆物体的名字)。

    在我们的通常观念中,向儿童指着物体(比如「苹果」)并说出它的名字(「apple」)后,儿童一定会将两者联系在一起。然而,一个「Modi」实验却挑战了这一点。参与实验的是18~24个月大的儿童,由父母抱在膝盖上,坐在桌前。工作人员先后将两个他们不认识的物体A和B拿出来给他们看,A放在桌子左侧,B放在右侧。如此重复几次后,工作人员在拿出B的同时说出「Modi」这个单词,但把B放在了左侧。然后,工作人员同时将A和B放在桌子中间,问:「Modi在哪儿?」结果显示,60%的儿童选择了在左侧出现过好几次的物体A,而不是被工作人员叫做Modi、但只在左侧出现过一次的物体B。(注:Modi共有4个实验,限于篇幅,本文仅介绍了其中一个。)

    研究者还观察到一个重要的现象:当抱着儿童的父母由坐姿改为站姿时,会扰乱儿童根据空间位置将物体与名字联系在一起的能力。神经科学中对脑成像的研究表明,语言能力会与动作处理共享神经基质。Modi 实验也证明了身体在认知和智力中的基础性作用,这启发了发展型机器人的语言学习方式也应该注重涉身性因素和外部环境交互,并在机器人的Modi实验中得到确认。

    机器人能像儿童一样学习语言吗?

    Cangelosi 于2009年左右开始使用一个开源的认知人形机器人平台 iCub 进行机器人早期语言学习研究。如下图所示,iCub 的身体设计以三岁半的儿童为模型,高105cm,体重约22kg,有53个电机驱动,可以移动头、手、手臂、腰和腿。它由意大利理工学院开发,属于欧盟项目RobotCub的一部分,现已被全球20多个实验室采用,是发展型机器人研究中使用最广泛的机器人平台之一。

    640?wx_fmt=png

    鉴于语言习得中的涉身性和情境性原理,机器人的语言学习不能局限于静态物体命名,而要积极进行包含物体命名和动作操纵的场景学习。Cangelosi 及团队于2011年提出了一个基于神经网络与视觉/语音识别系统的模块化认知结构,可控制 iCub 的认知与感觉运动功能,并将其整合以学习物体和动作的名称,从而理解「捡起蓝色球」这样的指令。

    在运动技能方面,iCub 有两个神经网络控制器,一个负责靠近身边的物体,另一个负责用单手抓握物体,二者在 iCub 模拟器中进行训练,用于执行机械臂操作。视觉和语言输入信息分别由基于标准的视觉对象分割算法和SPHINX语音识别系统进行处理。目标选择神经网络集成了应对语言指令的多种处理能力,在训练时,物体及其对应的语音信号会同时展现给机器人。经过5000个语句-物体对的循环训练后,iCub 能够正确应对4种动作名称和物体名称的所有组合,比如「接近蓝色球」「抓握蓝色球」「把蓝色球放到篮子里」等等。

    640?wx_fmt=png

    上述感觉运动技能和对具体物体的命名是发展型机器人学的主要研究方向,而关于抽象词汇的习得研究非常少,Cangelosi 在这方面也做出了开创性的工作。Cangelosi 于2006年提出了「符号扎根转移」(symbol grounding transfer)理论,即词义的传递是在与世界的互动产生的,例如我们可以用「马」+「条纹」这两个词语组合,向不知道「斑马」的人传递「斑马」这个新概念,并且也可以描述抽象概念,比如「使用一个物体」「接受一个礼物」,甚至更抽象的「幸福」「美好」之类。

    2012年,Cangelosi 及团队使用符号扎根机制开发了一个基于 iCub 机器人模拟器的模型。以「接受」这个抽象概念的学习为例,机器人首先通过感觉运动,学会8个动作的名称,即「推」「拉」「抓」「释放」「暂停」「微笑」「皱眉」和「中立」。然后,结合这些基本动作元素,学会「给」「接收」「保持」这3个高阶动作词——比如「保持[是]抓[和]暂停」。接下来,机器人继续学会了「接受」「否定」「挑」这3个高阶动作,比如「接受[是]保持[和]微笑[和]停止」。当然,对于机器人来说,更大的挑战是「幸福」「美好」这类高度抽象词汇的扎根建模。

    机器人能像孩子一样学习吗?它能否在设计时,以及在未知和不断变化的环境中学习各种新技能和新知识?它如何发现它的身体及其与物质和社会环境的关系?一旦离开工厂,没有工程师的介入,它的认知能力如何不断发展?通过与人类的自然社交互动,它能学到什么?对于发展型机器人学这个近20年才涌现出来的新兴研究领域,这些极为有趣的核心问题在未来还需要更多的、进一步的探索。9月2日,Cangelosi 教授将在 AI 与机器人大会上分享他的前沿研究,让我们共同聆听吧。

    |演讲摘要

    《用于语言学习、信任和心智理论的发展型机器人学》

    Developmental Robotics for Language Learning, Trust and Theory of Mind

    在动作和语言处理以及数值学习和手势方面,越来越多的理论和实验研究都清楚地表明了涉身性在认知和语言处理中的作用。在心理学的神经科学领域,这一证据构成了涉身认知(embodied cognition)的基础,这也被称为扎根认知(grounded cognition)。在机器人学和人工智能领域,这些研究对认知智能体的语言能力和人机交互协作的机器人的设计都具有重要意义,并已经催生出了发展机器人学的新型跨学科方法。在本演讲中,我们将展示发展型机器人学模型的示例以及在早期词习得和语法学习中的涉身性偏好方面的 iCub 实验的结果,还将展示在数值学习方面的指向手势和手指计数实验。然后我们将展示一种全新的发展机器人学模型和在心智理论上的实验以及其在机器人的自主信任行为中的应用。我们还会讨论在 AI 和认知科学以及机器人伴侣应用中的涉身认知以及使用这种涉身方法的意义。

    640?wx_fmt=jpeg

    ☟ 点击【阅读原文】参加AI与机器人大会

    展开全文
  • 机器人挖矿问题

    2013-05-19 13:30:52
    问题的关键在于:要使每个买来的机器人都能自己赚回自己的价值,一个机器人要七天才能赚回自己的价值。所以前三天要使机器人的数量达到最大,原则是有钱买就买   第一天开始有50个硬币,买一个机器人(6个...

    问题描述:

    一个机器人每天可以挖到8个硬币; 
    50个硬币可以换得一个机器人; 
    问:给您5个机器人,50个硬币,10天后,最多拥有多少硬币? 

     

    此问题的关键在于:要使每个买来的机器人都能自己赚回自己的价值,一个机器人要七天才能赚回自己的价值。所以前三天要使机器人的数量达到最大,原则是有钱买就买

     

    第一天开始有50个硬币,买一个机器人(6个机器人),第一天结束有48个硬币

    第二天开始有48个硬币,第二天结束有96个硬币,买一个机器人(7个机器人)

    第三天开始有46个硬币,第三天结束有102个硬币,然后买两个机器人(9个机器人),还剩两个硬币

     

    后面7天不再买机器人(买的机器人赚不回来自己的成本),所以最后的总硬币数是:9*8*7+2=506

    展开全文
  • 42个AI与机器人问题之——「要创造现代版阿西莫夫机器人定律吗?」9月2日在深圳举办首届「Nature Conference - AI与机器人大会」上,Sami Ha...
  • 就是epuck2proximity0~7八个红外测距节点怎么用算法(python语言)调用出它实时测量距离数值啊?(用ros melodic)  </p>
  • 在做机器人自主导航时候,能规划出最优路径,但机器人不按照路径行驶,一直在墙边摩擦。想下有没有大佬知道原因
  • 地保机器人覆盖

    2015-09-10 14:56:59
    家具形状,地保大小等),我把模型简化下来,类似于下面这个矩阵:10000220002200000000从最左上角格子开始,0代表为经过路径,1代表走过路,2代表是障碍,:是否可以不重复覆盖值为0方框,如果可以...
  • 42个AI与机器人问题之——「人与AI之间关系将如何变化?」9月2日在深圳举办首届「Nature Conference - AI与机器人大会」上,Maja Mata...
  • 雷锋网(公众号:雷锋网)消息,...据了解,此次机器人“裁员”计划之一是酒店为客房配备玩偶形助理Churi,它无法像苹果Siri、谷歌Assistant和亚马逊Alexa那样回答有关当地企业开业和关门时间的问题,当酒店客人Ch...
  • 42个AI与机器人问题之——「通用人工智能会实现吗?」9月2日在深圳举办首届「Nature Conference - AI与机器人大会」上,北野宏明教授将给出他答案...
  • 42个AI与机器人问题之——「AI如何帮助人类更健康地生活?」9月2日在深圳举办首届「Nature Conference - AI与机器人大会」上,Aydogan O...
  • 在问答系统任务(问答机器人)中,我们往往会人为地配置一些常用并且描述清晰的问题及其对应回答,我们将这些配置好的问题称之为“标准”。当用户进行提问时,常常将用户的问题与所有配置好标准进行相似度...
  • Problem Description Michael has a telecontrol robot. One day he put the robot on a loop with n cells. The cells are numbered from 1 to n clockwise. ...At first the robot is in cell 1....
  • 导读 或许你正在考虑(或正在进行)将机器人使用开源软件推向市场。这个机器人是基于 linux ...你可能会被到“我们产品什么时候可以开始销售?”,这时你将面临重要抉择。 你可以做下面两件事之一:
  • 机器人沿无障碍线路直线行驶、过障和变向行驶过程中典型工况进行了动力学正数值仿真。仿真表明,双臂反对称悬挂式机器人在关节驱动力矩下能实现预期 运动控制目标。 第三,进行了巡线机器人与柔性作业...
  •  机器人出现报警提示信息10106维修时间提醒是什么意思? 答:这个是智能周期保养维护提醒。 机器人在开机时进入了系统故障状态应该如何处理? 答:1、重新启动机器人。 2、如果不行,在示教器查看是否有...
  • AI机器人:与智能机器人进行实时智能交互,想什么就什么 ...2、测试提问的问题: 你叫什么名字? 现在天气怎么样? 你讲一个笑话吧! 你喜欢我嘛? 3、后台测试 更多好玩设计 更多后续精彩内容,敬请关注...
  • … 带着这些问题,新智元和在全球拥有8亿用户小i机器人的创始人、CEO朱频频一起来聊聊他眼中AI。 “AI独见”是新智元策划访谈节目,邀请AI行业专家、AI企业领袖,说AI,话产业,谈技术,聊八卦。 问题一:您...
  • 机器人的移动范围

    2020-06-06 11:50:20
    最近有在刷算法题目,现在打算是每做完一道算法题,有点自己想法就在博客上面记录下来。与君共勉,一起进步。 题目如下: ...首先,看到一道题目时候得知道这道题目的问题,也就是问的是什么
  • 首先我们有一个机器人,这个机器人只能横竖走(显然是个菜鸡程序员写,我要是写,他就不动),在横有六格,竖有五格这么一个长方形方格中,他从左上角走到右下角,每次只能走一格,一共有多少种走法?...
  • 在21世纪机器人项目中,我们经常的第一个问题是,你想让你的机器人成为谁?我们和世界各地的人士合作,从制造商到教授,从工程师到学生。在建造吉米的过程中,我们认识了摩尔女士的一年级学生,他们来自俄勒冈州...
  • 2、也有被用来解决客户问题的智能数字化助手,成本低、高效且持续工作。 聊天机器人的重要性 1、聊天机器人对理解数字化客服和频繁咨询的常规问答领域中的变化至关重要。 2、聊天机器人在一些领域中的特定场景中非常...
  • 机器人的起点和终点都可能不相同,每条边权值都只能被加一次,最大权值是多少。 第一次遇到两个点间可以建两条边网络流图,长见识长见识。。。 来源:洛谷题解 这就是具体建边图,超级厉害呃- -。 将...
  • 问题 E: 机器人走格子 时间限制: 1 Sec 内存限制: 128 MB 提交: 126 解决: 24 [提交][状态][讨论版] ...问机器人要经过所有格子至少一次并最终回到起点最少需要多少步?规则允许机器人多次走过同一个格子。对于X=Y
  • 问问题 这个机器人是公开的吗? 不,但是,如果您想在不和谐的服务器中安装笨拙的机器人,请给我一个dm @ Aso#0001,我将为您设置一个具有所需功能的克隆产品! 命令是什么? {}-必需参数[{}]-可选参数 用户...
  • 42个AI与机器人问题之——「AI能否发现新科学理论?」9月2日在深圳举办首届「Nature Conference - AI与机器人大会」上,Alexander T...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 711
精华内容 284
关键字:

问问题的机器人