創(chuàng)澤機器人
CHUANGZE ROBOT
當前位置:首頁 > 新聞資訊 > 機器人知識 > 看高清視頻,如何做到不卡頓

看高清視頻,如何做到不卡頓

來源:AI科技大本營     編輯:創(chuàng)澤   時間:2020/6/15   主題:其他 [加盟]
5G時代,從生產端到播放端,超高清音視頻將成為主流,如何讓播放更加“智能”,讓用戶隨時隨地都有流暢觀看體驗,既“高清”又“不卡”?

本文將詳解優(yōu)酷“智能檔”的是什么、為什么以及落地效果,尤其是如何突破“傳統(tǒng)自適應碼率算法”的局限,解決視頻觀看體驗中高清和流暢的矛盾,并以 “熱綜熱劇”等場景為藍本,一睹“大項目”背后的視頻播放實踐。

本文主要分為四部分:

背景:智能檔是什么、有什么?

挑戰(zhàn):傳統(tǒng)自適應碼率理論與播放實踐的碰撞

實踐:清晰度策略優(yōu)化迭代過程——整體框架建設,從數(shù)據(jù)中分析和學習

總結:優(yōu)酷智能檔的成果和新技術的應用

優(yōu)酷“智能檔”是什么、有什么?


為了大家能夠對優(yōu)酷智能檔有一個比較直觀的了解,我這里準備了一個帶寬限速條件下播放的視頻。視頻1是傳統(tǒng)1080P藍光清晰度,視頻2就是今天要提到的“智能“清晰度。我們看到視頻1已經開始卡了,視頻2還在繼續(xù)播放,但清晰度角標已經變?yōu)槌辶恕?


好,剛剛播放的是《長安十二時辰》張小敬追捕狼衛(wèi)的一段視頻,是在帶寬限速的情況下播放的,大致是在 1.5Mbps 左右。在這樣的條件下左側使用 1080P清晰度,當畫面變化較大,對應的碼率也波動較大的時候,發(fā)生了卡頓,而且提示是否要切換到智能播放。而右側的“智能”清晰度則在這種情況下,發(fā)現(xiàn)了網絡不足以支撐藍光,降級變成了超清,避免了卡頓,然后在這段播過去之后又重新恢復到藍光。

▐  優(yōu)酷“智能檔”簡介

看完這段視頻,我們來明確一下,關于智能檔的幾個基本問題:

1)  什么是智能檔,這個大家剛剛也都看到了,智能檔是一種新的清晰度選項。

2)  為什么要有智能檔?我們可以從兩個角度回答:

讓播放體驗更加智能。例如,用戶在一個不確定的網絡環(huán)境下,不知道什么清晰度最合適,選擇高清晰度,卡了;選擇低清晰度,畫質體驗又不好。優(yōu)酷智能檔就是要解決這個選擇問題,智能匹配最合適的清晰度,避免用戶自己反復去嘗試;

避免播放卡頓。例如剛才的《長安十二時辰》視頻,在網絡限速或者更常見的4G下,網絡波動大,智能檔實時地調節(jié)清晰度,在保證用戶觀看更高清晰度的情況下,避免播放卡頓。

3)  是如何實現(xiàn)的呢?這就要提到自適應碼率技術,根據(jù)網絡環(huán)境和播放過程中的狀態(tài),去實時決策選擇最合適的清晰度。

▐  自適應碼率技術

自適應碼率這項技術,早在 2002 年前后就已經被人提出,大致在 2010 年開始在互聯(lián)網領域得到應用,逐步走向成熟。關于自適應碼率的技術方案,一般由兩部分構成:

第一部分協(xié)議框架:支持多個不同碼率的清晰度傳輸和播放,約定服務器端、客戶端的;


第二部分算法策略:更具體地確定什么狀態(tài)下匹配哪種碼率、哪種清晰度更好。

在協(xié)議框架上,蘋果較早提出了 HLS 的方案。后來 MPEG 專家組提出行業(yè)標準DASH;除此之外,微軟、Adobe等公司也有技術方案,但設計上比較類似,大同小異。

在算法策略上,是百花齊放。過去幾年,學術界涌現(xiàn)出不少相關論文,比如右側列表中所示,歸納起來分為4類:


第一類,基于網速預測,根據(jù)網速帶寬和碼率的大小進行選擇;

第二類,基于播放器的buffer來判斷決策;

第三類,引用一句話網絡名言“小孩子才做選擇,我全都要”,即融合前面兩種因素;

第四類,更高級和領先的,將近幾年的人工智能領域的技術引進來,根據(jù)機器學習、神經網絡模型來選擇清晰度。

▐  自適應碼率技術的工作流程

自適應碼率技術在從生產到播放的整個鏈路,分成5步:

第一步,原始的視頻資源文件,它可能只有一個比較高的清晰度;

第二步,生產端對視頻進行轉碼和切片,根據(jù)播放需要,轉碼成不同清晰度的碼流。一般清晰度越高,碼率越高,文件越大。每個碼流都切分成時間對齊的分片,一般是10s;

第三步,在轉碼和切片之后,經過 CDN 節(jié)點在網絡上進行分發(fā);

第四步,各自適應碼率的算法按策略選擇需要的清晰度;

第五步:客戶端下載這個清晰度的分片文件,進行播放。

▐  自適應碼率算法:基于帶寬速率

看完框架鏈路,我們再來看算法策略,先是最簡單的基于帶寬的策略。

這類算法的原理很簡單,就是基于過去一段時間的網絡下載速度,對網絡情況做預測,如果比視頻某一個清晰度的碼率大,那么就可以選擇這個碼率,否則只能嘗試更低清晰度。右上角圖中列出了4種算法,都是基于速度進行判斷的,清晰度和網速變化是正相關。


這個算法簡單直接,缺點是如果過去網速高,對網絡的預估又過于自信,網絡波動落差大時,就無法下載完預期的清晰度內容,容易卡頓。

另外,清晰度受網絡波動影響大,網絡一波動,就會頻繁的切換清晰度,這相當于忽略掉播放器中buffer的作用。

▐  自適應碼率算法:基于Buffer

基于buffer,就是播放器的緩沖區(qū)還能播多長時間來選擇。這種方式直接放棄速度,只看 buffer,沒數(shù)據(jù)可播時才會卡。當buffer 低時,選擇最低清晰度,buffer隨播放進度和下載進度一點點變化,清晰度不會有太大波動。


缺點是buffer的變化相對緩慢,會喪失對網絡變化判斷的靈敏性。比如用戶網絡換環(huán)境立刻變好了,但是 buffer 漲到最高清晰度的區(qū)間是需要一個過程的。

一個典型的案例就是 BBA 算法,我們可以右側這張圖,橫軸是 buffer,縱軸是清晰度碼率,它們之間維持一個線性關系,buffer越高清晰度越高,直到達到最高的清晰度;同時為了保證不卡頓,最低清晰度也要攢夠一定的buffer,才開始考慮換更高的清晰度。

▐  自適應碼率算法-MPC

這類算法有一個里程碑式的進步,給出一個 QoE 的公式化定義。QoE就是體驗質量,包含清晰度、卡頓時間、清晰度切換3個因素。一旦確立好QoE 的計算公式,在網絡狀況完全確定的情況下,我們就可以將自適應碼率算法轉化為一個求最大值的數(shù)學問題。


但是網絡狀況完全確定需要“上帝視角”。一般情況下,網絡波動是可完全預測的,在一個較短時間內,我們認為網絡波動會比較小,后面網絡情況和前面已經統(tǒng)計到的速度存在一定關聯(lián)性,所以上面的這種求全局最大值的就可以退化成為一種局部的計算,并嘗試通過局部累加,達到近似全局最優(yōu)解,這好比是從一個全局的動態(tài)規(guī)劃變成一個局部的貪心思路。

所以它的具體決策過程是:

第一步,根據(jù)過去的情況,判斷網絡質量,預測速度;

第二步,生成未來N片,比如5片,將所有可能的清晰度組合做列表;

第三步,逐一嘗試,找出所有可選項中 QoE 最大的組合;

第四步,將選擇中下一片清晰度作為本次清晰度選項,每個分片選擇時都依次類推。

▐  自適應碼率算法-基于機器學習

機器學習就是為計算機提供大量數(shù)據(jù),讓計算機基于這些數(shù)據(jù)進行計算,在特定領域做出判斷,并針對判斷給出評定標準,告知機器判斷是否正確、準確,經過反復大量的學習過程,提高計算機判斷能力的準確性。

強化學習是機器學習的一種,是針對一個過程該如何做決策的學習。

如下圖,機器人學習養(yǎng)花,看見花要枯死了,選擇用水澆花,獲得一個正向的獎勵;如果看到花快被淹死了,還去澆花,那么就只能得到懲罰,此外還可以根據(jù)情況考慮是否施肥、打藥,訓練機器人把花養(yǎng)好。


近年比較火的機器學習方式就是深度神經網絡。我們可以將“養(yǎng)花過程中機器人的動作” 理解為一個非常復雜的數(shù)學函數(shù),輸入是花的狀態(tài),輸出是應該澆水還是施肥的決策選擇,花是否養(yǎng)好作為不斷調整函數(shù)內參數(shù)的依據(jù),一旦參數(shù)調整好,這個函數(shù)就可以給出準確決策,神經網絡就相當于這個復雜的函數(shù),具體的一個模型實例就相當于這個函數(shù)里所需的所有系數(shù)。 

我們做清晰度選擇的例子和養(yǎng)花的過程很像,輸入是過去的網速情況、buffer情況等,輸出是清晰度的選擇。

2017年開始有論文提出類似的方案,優(yōu)點是用大量的數(shù)據(jù)去訓練,訓練好了就相當一個“經驗豐富”的人,它看過很多歷史網絡變化的數(shù)據(jù)和選擇結果、知道遇到特定的情況應該如何選擇。弊端是太“高深莫測”,可解釋性不強。

▐  業(yè)界應用情況

國外的視頻產品,Youtube 和 Netflix的手機客戶端都有對自適應碼率技術的應用。在國內,早在兩年前,優(yōu)酷就在做類似嘗試,但最初的清晰度選項叫做“自動”,在起播時幫用戶選擇一個合適的清晰度,但是播放過程中如果網絡有波動它不會變。隨著優(yōu)酷技術體系不斷升級,現(xiàn)在優(yōu)酷能夠通過“智能”選項,隨時隨地的根據(jù)網絡情況進行清晰度選擇和必要的切換。


實際應用中的挑戰(zhàn)

自適應碼率技術的理論雖好,在大規(guī)模實踐中,卻屢屢碰壁,歸納起來有如下的挑戰(zhàn):

▐  實際應用中的挑戰(zhàn):起播處理


起播的典型挑戰(zhàn)是:

典型策略:環(huán)境未知,如何避免卡頓;

網絡環(huán)境良好的狀態(tài)下,如何提升清晰度。按照學術界的算法論文,起播時為了避免卡頓,都是從最低清晰度開始,但實際尤其對于沒有使用過同類產品的用戶,10s的模糊不能被接收的;

起播速度:如何快速播放。為了高清和起播后不卡頓,多加載一會兒,行不行?不行!快速起播是良好播放體驗的開始。


 所以我們要遵循的原則是:

如果網絡足夠好,起播就提供高清晰度;

為了避免卡頓和起播太慢,必須在網絡差的情況,適當?shù)剡x擇低清晰度;

不能為清晰度選擇而給播放帶來太大的額外開銷。

優(yōu)酷是如何解決的?

首先,根據(jù)視頻是否為首次播放進行分類。不是首次播放的,可參考前一次播放的清晰度;是首次播放的,參考播放服務的請求耗時。在連播情況下,既然可以用上一次播放的清晰度,也可以利用上一次的播放中的速度信息,更確切知道當時的網絡情況;

其次,我們發(fā)現(xiàn)請求耗時的區(qū)分度并不大。播放器也在進行一個網絡質量評估的項目,這樣就引入了網絡評分機制,作為清晰度的一項參考;

最后,秒播項目也全面鋪開,在播放前下載一個分片。一方面下載過程提供了速度信息,另一方面我們也需要結合分片的清晰度進行選擇,避免起播清晰度頻繁波動。

▐  實際應用中的挑戰(zhàn)——網絡情況預測

第二個挑戰(zhàn)就是對網絡情況的判斷,即對帶寬的預測;雖然不少論文都提到了根據(jù)歷史下載速度求平均值,對當前或接下來速度做預測,但是關于細節(jié)基本都避而不談。

網速非常重要,它是對當前網絡判斷最直接的數(shù)據(jù)來源,也是保證升降檔快速靈活的一個關鍵因素。


速度預測的難點是網絡情況是實時變化的,不同環(huán)境變化形式和方向都不同。例如,上圖中就是截然不同的兩種網絡條件,第一個網速高且穩(wěn)定,第二個網速在極速波動。所以預測速度的原則是盡量保守、盡量平緩,吸收掉波動情況,即對過去一段時間的速度取平均值。平均值的計算方式,可以結合上圖的兩種情況來看:

一是,傳統(tǒng)算數(shù)平均數(shù)和調和平均數(shù)的方式;

二是,將對過去速度預測的誤差考慮進去,也是robustmpc方案中提到的,更適合我們的需求。 

那么,只有速度預估就夠了嗎?當然不是。由于網速是可隨時波動的,實際網速也可能達不到預測速度,所以我們需要兜底方案。這里采用的是超時,即在預期的時間內,如果當前清晰度分片下載不完,將自動調整,避免 buffer 消耗后發(fā)生卡頓。


超時設置也需要精心考量,超時意味著當前分片如果下載不完就要丟棄,那么已下載完成的部分是不能用來播放的,否則就會出現(xiàn)同一視頻內容用兩種不同的清晰度重復播放。所以buffer較小時,不適合超時,否則容易增加卡頓。

什么情況設置超時呢?預期超時是用來解決問題的,首先是選擇清晰度預期它能下載完,如果下載不完,我們可以用更低清晰度來替代。我們要保證現(xiàn)有的buffer足夠這兩個清晰度下載完成的時間,此外要盡量留足時間,讓當前清晰度的下載能夠在較小的波動下完成,避免頻繁切帶來的網絡浪費和不好體驗。

體驗衡量

隨著智能檔的推廣和應用,我們也需要考慮帶寬成本,行業(yè)通用解決方案是使用 PCDN,在播放允許的情況下,避免直接向成本較高的CDN服務器請求轉而找到成本較低,但質量不太穩(wěn)定的節(jié)點,這樣就會引起速度的波動。

這個問題如何解決?首先,PCDN 調度的原則,是將 buffer 趨于劃分為三段:第一段是buffer較低的情況,為了避免卡頓保證服務質量,會直接走CDN;第二段是部分從CDN下載,部分使用質量較差的P2P節(jié)點;第三段是buffer較高的情況,卡頓風險低,直接斷開CDN,只使用P2P。

簡單來說,為了保證智能檔用戶有穩(wěn)定體驗,我們在節(jié)點切換的過程中,始終保持使用一個較高的速度,比如使用連接CDN時的速度,如果 P2P的速度比 CDN的速度高,我們可以使用這個更高的速度,當質量較差的節(jié)點滿足不了當前速度時,buffer就會降低,迫使PCDN逐步切換回高質量的節(jié)點,這樣就做到了和 PCDN結合的自適應調整,做到了速度的相對穩(wěn)定。

▐  實際應用中的挑戰(zhàn)——其它

在實踐過程中面臨的挑戰(zhàn),如何衡量智能檔的體驗,如何評價效果。

學術論文的衡量標準是看QoE,它包含了對清晰度質量、卡頓和清晰度波動的因素。但它是單一值,兩次不同的播放,QoE一個高一個低,說明前一個體驗更好,但是無法知道差的原因,是卡頓太多還是清晰度太低?所以單一值,不利于我們衡量真實效果,也不利于明確優(yōu)化方向。

所以,我們最終通過和實際業(yè)務目標相結合,整體看全盤數(shù)據(jù),同時將卡頓率、高清晰度的播放時長占比拆開來看?D率高了,要想辦法降卡頓,策略上要相對保守;如果高清晰度少了,就要適當調整策略,讓用戶更容易升到高清晰度。

此外,播放的體驗好不好需要多維度考量,除以上兩個關鍵指標外,我們也增加了其它維度數(shù)據(jù),比如,使用智能檔用戶的播放量占比、一次播放的清晰度切換頻次,高buffer降檔的反常體驗發(fā)生比率等。

實際上,我們在實踐的過程中遇到的挑戰(zhàn)還不止這些,比如倍速播放的情況,4G下考慮流量的問題等。受時間和篇幅的限制,就不一一展開了。


智能檔的設計、實現(xiàn)與優(yōu)化迭代

以上介紹了自適應碼率技術的一般原理和挑戰(zhàn),接下來從整體分析,優(yōu)酷智能檔是如何設計的,又是如何優(yōu)化。

▐  優(yōu)酷智能檔的整體結構設計

智能檔的整體框架分為上下兩部分,下層是客戶端,上層是服務器端。


第一,清晰度選擇的控制器是在客戶端,包含一個策略引擎,支持多種策略實現(xiàn)運行,為策略的運行提供了統(tǒng)一接口;控制器需要與播放器內核的數(shù)據(jù)源處理部分打交道,從播放器內核獲取到視頻的基本信息,比如支持幾個清晰度、每個清晰度碼率多少,有多少個分片、每個分片多大,同時也從播放器收集當前的播放狀態(tài),比如當前的buffer 狀態(tài);此外,客戶端還需要從下載器那里得到各分片的下載速度,從全局的網絡監(jiān)測模塊感知當前的網絡質量情況,最后執(zhí)行策略,輸出下一個清晰度,通過內核交由下載器去下載,進而播放;

第二,智能檔的控制器每次播放后會收集整個決策過程中的輸入/輸出信息,并上報到服務器端,服務器端用這個數(shù)據(jù)做統(tǒng)計、分析、優(yōu)化,然后進一步改進策略,形成一套完整的閉環(huán)的數(shù)據(jù)體系。

▐  策略實現(xiàn)-多策略支持

結合前面算法論文中的理論,我們先后嘗試過實現(xiàn)四種策略:

第一種:Pattaya 是我們最早嘗試的一種策略,將單獨基于速度的一類策略,后來也引入了基于 buffer 策略,不斷根據(jù)數(shù)據(jù)情況增加一些經驗規(guī)則進去,也是早期進行鏈路調試的一個策略;

第二種:基于強化學習的策略;

第三種:實現(xiàn)和調試了基于 MPC 思路的策略;

第四種:根據(jù)經驗創(chuàng)造出來的,基于下載嘗試和超時的SBit策略。

我們以 AB Test 的形式分桶開啟各個策略,觀察效果逐步優(yōu)化,最終形成一套統(tǒng)一策略,包含起播/Seek決策、播中決策、超時處理、卡頓處理等幾個關鍵組成部分。

▐  數(shù)據(jù)體系建設-信息的收集與解析

上面提到四類策略,在衡量效果時,我們提到了一些關鍵指標,相關的統(tǒng)計數(shù)據(jù)在上線之初就進行了支持。那么,這四類策略是不是上線就表現(xiàn)良好,表現(xiàn)不好的原因是什么,這就需要對每一次播放數(shù)據(jù)的輸入和輸出都有詳細記錄,如圖中的數(shù)據(jù)結構。


第一步,早期我們考慮一次播放的決策數(shù)據(jù)量比較大,同時還不具備這種批量數(shù)據(jù)處理分析的能力,主要是以日志的方式打出來;

第二步,我們了解到阿里云的數(shù)據(jù)工場能夠提供這樣一種能力,通過自定義 UDF 解析結構復雜的編碼數(shù)據(jù),并且通過一般的編程語言以實現(xiàn)插件的形式,完成各式各樣的分析,這樣我們就將客戶端上每次播放的所有相關的輸入和輸出,按照一定的格式組織起來,進行壓縮、編碼通過埋點渠道報上來,需要分析的時候在數(shù)據(jù)平臺上解碼分析。

上圖,是一個經過編碼的智能檔播放信息,報到服務器端之后,我們通過數(shù)據(jù)平臺對立面的信息進行解析。當然這張圖立面只畫出了其中一部分信息,包含原始的輸入速度、預測的速度、播放器buffer的變化情況,這樣整個智能檔的決策過程就盡收眼底。

▐  數(shù)據(jù)體系建設-優(yōu)化應用

當完整數(shù)據(jù)體系建立之后,我們就可以進行優(yōu)化。下面以卡頓優(yōu)化為例,我們是這樣操作的:

第一步,當版本發(fā)布后,觀察整體的大盤數(shù)據(jù),發(fā)現(xiàn)卡頓超出預期,我們會分析用戶用例,對卡頓情況有初出認知。

第二步,基于已知信息做分類規(guī)則,比如,是起播就卡,還是播了很久之后才卡;是因為網絡差,清晰度降底都還會卡,還是在策略上有優(yōu)化的空間?

第三步,根據(jù)規(guī)則將所有發(fā)生過卡頓的播放數(shù)據(jù)做聚合分析,知道每種可能情況的占比,有針對性分優(yōu)先級的去解決和處理問題;

不只卡頓,還是其它像高清晰度沒有達到預期,都可以用這種方式進行分析。這些數(shù)據(jù)除了分析這些問題以外,還有利于我們對整個優(yōu)酷用戶播放過程有一個更全面的了解,比如說他們的網絡情況分布等。

▐  智能檔的應用推廣

在智能檔完成設計、實現(xiàn)、優(yōu)化,我們希望它能夠在更多的場景上得到應用。智能檔最初是在手機兩端上率先完善和放量,其次是iPad端。在過去一年,我們也在iKu OTT 等客戶端場景下投入使用。

這里面需要強調是大型直播場景,比如雙11貓晚、近期的義演直播《相信未來》,直播和點播場景有差異:

第一、直播要求低延遲,比如看球賽,不能隔壁進球了,這里還在射門。所以這個特點就決定了端上播放器不能有太多buffer,智能檔的決策需要做適當?shù)恼{整,更多的從網速上獲取信息;

第二、直播是實時性的,生產端生產出視頻流是實時進行的,而且通常的直播時長比一集電視劇時間還要長,所以存在技術風險,這時候智能檔就有了用武之地。

和直播場景有關的第一個問題是流量控制,某一場直播開始前,會預估流量,但實際可能因為某個節(jié)目特別火爆,新用戶源源不斷地涌進來。在服務器流量壓力大時,智能檔可以通過實時下發(fā)配置適當?shù)恼{整用戶的清晰度,例如,必要情況下,降低一個清晰度,實時緩解服務器帶寬和流量壓力。這是傳統(tǒng)清晰度所做不到的,傳統(tǒng)清晰度可能從進入直播間到看完就固定在一個清晰度碼率上。

另外一個常見問題是直播時,在生產端可能會出現(xiàn)某一路流轉碼失敗,智能檔發(fā)現(xiàn)問題后,可以直接標記這路流不可用,在后面的播放切到其它相近的清晰度時,保證整體直播效果不會受到太大的影響。


智能檔的應用總結及未來

在過去一年,優(yōu)酷智能檔已經逐漸走向成熟:

優(yōu)酷智能檔在過去一年的建設過程中,覆蓋了移動端約30%的播放量,甚至比播放某些傳統(tǒng)的清晰度播放量都高;

從智能檔內的各個清晰度播放時長來看,能夠讓用戶在90% 以上的時間觀看比較高的清晰度,同時保持著比一般清晰度更低的卡頓率,尤其在 4G 網絡下,能夠做到傳統(tǒng)清晰度的一半;

智能檔為優(yōu)酷整體的播放體驗優(yōu)化提供了工具,也在直播等場景成為了技術保障的必要手段;

最重要的,經過過去一年的優(yōu)化,獲得了用戶的認可。


對于未來,主要有兩點思考:

隨著 5G 的發(fā)展,越來越多的用戶將移動蜂窩網絡下觀看視頻,智能檔會得到更多應用?赡艽蠹乙獑柫耍5G網速那么快,還需要智能檔嗎?這里我想到了一句話,"What Andy gives Bill takes away",“安迪比爾定律”,這里面 Andy 是 Intel 的 CEO, Bill就是比爾蓋茨了。意思是無論 Intel的 CPU 造的多么先進,都會被新的 Windows 系統(tǒng)消耗掉;氐讲シ艌鼍埃W絡技術是在發(fā)展,但人們對高清視頻的需求也在不斷提高,所以智能檔是必要的;


另外,一定會出現(xiàn)新的手段,讓自適應碼率技術的效果更好。比如今天提到的Pensieve,利用強化學習來進行清晰度選擇。這個原作者在 2019 年又發(fā)表了一篇新論文,大致內容是他又改進了算法模型,開始在 Facebook 進行實驗,這是個未來的方向,現(xiàn)在的可解釋性等等問題應該都會逐步得到解決。





基于真實環(huán)境數(shù)據(jù)集的機器人操作仿真基準測試

通過使用仿真和量化指標,使基準測試能夠通用于許多操作領域,但又足夠具體,能夠提供系統(tǒng)的有關信息

億級視頻內容如何實時更新

基于內容圖譜結構化特征與索引更新平臺,在結構化方面打破傳統(tǒng)的數(shù)倉建模方式,以知識化、業(yè)務化、服務化為視角進行數(shù)據(jù)平臺化建設,來沉淀內容、行為、關系圖譜,目前在優(yōu)酷搜索、票票、大麥等場景開始進行應用

深度解析大規(guī)模參數(shù)語言模型Megatron-BERT

NVIDIA解決方案架構師王閃閃講解了BERT模型原理及其成就,NVIDIA開發(fā)的Megatron-BERT

自然語言處理技術五大技術進展和四大應用與產品

自然語言處理技術的應用和研究領域發(fā)生了許多有意義的標志性事件,技術進展方面主要體現(xiàn)在預訓練語言模型、跨語言 NLP/無監(jiān)督機器翻譯、知識圖譜發(fā)展 + 對話技術融合、智能人機交互、平臺廠商整合AI產品線

自然語言處理技術發(fā)展趨勢進一步推動人工智能從感知智能向認知智能的演進

下一個十年,智能人機交互、多模態(tài)融合、結合領域需求的 NLP 解決方案建設、知識圖譜結合落地場景等將會有突破性變化

中國移動室內定位白皮書

中國移動聯(lián)合產業(yè)合作伙伴發(fā)布《室內定位白皮書》,對室內定位產業(yè)發(fā)展現(xiàn)狀及面臨的挑戰(zhàn),深入分析了垂直行業(yè)的室內定位需求,并詳細闡述了實現(xiàn)室內定位的技術原理, 及室內定位評測體系

傳感器面臨時代新機遇,未來發(fā)展將呈現(xiàn)哪些趨勢

機器人、無人機、自動駕駛汽車等加快落地,智慧城市深入建設,更是為傳感器產業(yè)帶來了難以估量的龐大機遇

仿人操作機器人Cosero配備7自由度機械臂裝有Kinect相機實現(xiàn)對目標環(huán)境的3D感知

Cosero是德國波恩大學的Sven Behnke團隊根據(jù)家庭環(huán)境中的日常操作任務而研制的一款仿人操作機器人基于深度學習方法的目標姿態(tài)估計和RGB-D SLAM等感知測量

移動式操作機器人平臺Personal Robot 2可模擬開門、打臺球和畫畫

機器人的學習分為三個部分的軌跡預測包括示教者的手部運動軌跡、示教者的身體移動軌跡以及被操作物體的運動軌跡

Jupiter由四輪獨立轉向的底盤和UR5機械臂組成通過SSD網絡檢測目標物體

通過2D激光雷達信息采用Hector SLAM實現(xiàn)機器人對地圖的感知和自主導航規(guī)劃,通過頂部的RGB-D相機采集目標物體深度和RGB圖像信息

野外自主農作物探測機器人Robotanist使用擴展卡爾曼濾波器(EKF)方法融合MTI等傳感器信息

驅動系統(tǒng)由4個200W無刷直流電機構成,通過50:1的空心軸減速機可以最高達2m/s的速度在玉米、高粱等農作物的地里前進

視頻搜索太難了!阿里文娛多模態(tài)搜索算法實踐

視頻搜索是涉及信息檢索、自然語言處理(NLP)、機器學習、計算機視覺(CV)等多領域的綜合應用場景
資料獲取
機器人知識
== 最新資訊 ==
ChatGPT:又一個“人形機器人”主題
ChatGPT快速流行,重構 AI 商業(yè)
中國機器視覺產業(yè)方面的政策
中國機器視覺產業(yè)聚焦于中國東部沿海地區(qū)(
從CHAT-GPT到生成式AI:人工智能
工信部等十七部門印發(fā)《機器人+應用行動實
全球人工智能企業(yè)市值/估值 TOP20
創(chuàng)澤智能機器人集團股份有限公司第十一期上
諧波減速器和RV減速器比較
機器人減速器:諧波減速器和RV減速器
人形機器人技術難點 高精尖技術的綜合
機器人大規(guī)模商用面臨的痛點有四個方面
青島市機器人產業(yè)概況:機器人企業(yè)多布局在
六大機器人產業(yè)集群的特點
機械臂-高度非線性強耦合的復雜系統(tǒng)
== 機器人推薦 ==
迎賓講解服務機器人

服務機器人(迎賓、講解、導診...)

智能消毒機器人

智能消毒機器人

機器人開發(fā)平臺

機器人開發(fā)平臺


機器人招商 Disinfection Robot 機器人公司 機器人應用 智能醫(yī)療 物聯(lián)網 機器人排名 機器人企業(yè) 機器人政策 教育機器人 迎賓機器人 機器人開發(fā) 獨角獸 消毒機器人品牌 消毒機器人 合理用藥 地圖
版權所有 創(chuàng)澤智能機器人集團股份有限公司 中國運營中心:北京 清華科技園九號樓5層 中國生產中心:山東日照太原路71號
銷售1:4006-935-088 銷售2:4006-937-088 客服電話: 4008-128-728