現(xiàn)代自動(dòng)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(dòng)化生產(chǎn)的重要研究目標(biāo)。目前機(jī)器人系統(tǒng)針對(duì)多種物體的操作，主要通過(guò)機(jī)械手/手指更換設(shè)備或多功能機(jī)械手來(lái)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(shí)，設(shè)備的控制與供能需要引入電纜或氣管，這會(huì)對(duì)機(jī)械臂的自由靈活運(yùn)動(dòng)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(duì)此，我們提出了讓機(jī)器人使用不同工具來(lái)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(duì)終端執(zhí)行器的稱(chēng)呼，而是同人類(lèi)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(guò)機(jī)械機(jī)構(gòu)實(shí)現(xiàn)機(jī)械手到工具的動(dòng)力傳遞，無(wú)需外部控制及供能；(2)結(jié)構(gòu)緊湊，對(duì)機(jī)器人的避障路徑規(guī)劃影響極�。�(3) 通過(guò)設(shè)計(jì)不同的工具先端實(shí)現(xiàn)可以對(duì)多種任務(wù)進(jìn)行有效配適，在更換工具時(shí)僅需要對(duì)目標(biāo)工具進(jìn)行一次抓��；(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(cè)平臺(tái)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(yǔ)言活動(dòng)以及候診室病人數(shù)量
應(yīng)用于MIS的觸覺(jué)傳感器主要是基于電學(xué)或光學(xué)原理開(kāi)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(jué)傳感器最常用的傳感原理是基于電氣的傳感器。這些觸覺(jué)傳感器進(jìn)一步分為壓阻型、壓電型和電容型傳感器
馬庫(kù)斯系統(tǒng)性地闡述了對(duì)當(dāng)前AI研究界的批判，從認(rèn)識(shí)科學(xué)領(lǐng)域中針對(duì)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(duì)短期的商品語(yǔ)境信息建模，并使用共享的記憶網(wǎng)絡(luò)來(lái)捕捉商品之間的長(zhǎng)期依賴(lài)，對(duì)多個(gè)模型進(jìn)行了對(duì)比,在Top-K序列推薦中效果極佳
外賣(mài)履約時(shí)間預(yù)估模型，預(yù)估的是從用戶(hù)下單開(kāi)始到騎手將餐品送達(dá)用戶(hù)手中所花的時(shí)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(duì)圖分辨率和連接關(guān)系敏感的問(wèn)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(cè)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(lái)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(gè)參數(shù)
達(dá)摩院金榕教授介紹了語(yǔ)音、自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)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(duì)挑戰(zhàn)的創(chuàng)新實(shí)踐進(jìn)行了解讀
新一代移動(dòng)端深度學(xué)習(xí)推理框架TNN，通過(guò)底層技術(shù)優(yōu)化實(shí)現(xiàn)在多個(gè)不同平臺(tái)的輕量部署落地，性能優(yōu)異、簡(jiǎn)單易用。騰訊方面稱(chēng)，基于TNN，開(kāi)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(kāi)發(fā)出人工智能 App，真正將 AI 帶到指尖
新加坡國(guó)立大學(xué)NExT中心的王翔博士分析了知識(shí)圖譜在個(gè)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(gè)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(shí)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(duì)時(shí)頻網(wǎng)格圖、時(shí)域網(wǎng)格圖、頻域網(wǎng)格圖劃分出若干個(gè)不同的計(jì)算區(qū)域,并以每個(gè)計(jì)算區(qū)域的均值與標(biāo)準(zhǔn)差作為指法自動(dòng)識(shí)別的特征使用，用于基于機(jī)器學(xué)習(xí)方法的指法自動(dòng)識(shí)別
