Robots
PulseAugur coverage of Robots — every cluster mentioning Robots across labs, papers, and developer communities, ranked by signal.
15 天有情绪数据
-
荣耀（HONOR）从智能手机转向人工智能驱动的机器人
荣耀（HONOR）是一家主要以智能手机闻名的公司，正在向机器人领域进行重大的战略转型。此举标志着该公司更广泛的雄心，即致力于将人工智能和智能设备整合到一个统一的生态系统中，这可能会重新定义消费科技品牌在人工智能时代的角色。该公司旨在利用其人工智能专业知识开发人形机器人，预示着传统手机制造商可能成为机器人领域的领导者。
-
蚂蚁集团发布用于机器人检测透明物体的AI模型
蚂蚁集团的机器人部门推出了LingBot-Depth 2.0，这是一款新颖的空间感知模型，旨在提高机器人识别玻璃和镜子等透明材料的能力。这一发展解决了机器人领域的一个重大障碍，该公司声称该模型在各种基准测试中创造了12项新的世界纪录。
-
机器人利用视觉语言模型实现自适应群体陪伴
研究人员开发了一种新的方法，使社交机器人能够自适应地陪伴人类群体，即使在队形动态变化的情况下也能做到。该方法利用视觉语言模型（VLMs）来解释群体动态、推断位置并保持适当的社交距离。VLM与模型预测路径积分（MPPI）控制器集成，以确保稳定性和安全性。实验结果显示，与现有方法相比，成功率提高了15%，碰撞率降低了25%，用户研究表明机器人的陪伴行为被认为是自然的。
-
WorldSample框架通过合成数据提升真实机器人强化学习
研究人员开发了WorldSample，一个旨在改进真实世界机器人强化学习（RL）的框架。该系统在物理机器人交互与生成的世界模型之间创建了一个闭环，能够生成高保真合成数据。通过使用策略调步学习（Policy-Paced Learning），WorldSample调节训练过程，以平衡有用增强与潜在的高估和噪声，从而显著减少训练步骤并提高机器人操作任务中的策略成功率。
-
新基准 EgoSafetyBench 测试具身视觉语言模型在运行时安全性
研究人员推出了 EgoSafetyBench，这是一个新的诊断性基准，旨在评估具身视觉语言模型（VLMs）的安全能力。该基准包含 1,200 个从自我中心视角捕获的机器人视角场景，并进行了细粒度标注，以评估 VLM 在区分真正不安全情况和可能看起来令人警觉的日常活动方面的能力。评估包括关注情境危险以及误导性场景文本对 VLM 判断影响的赛道。对十种不同 VLM 的初步测试表明，尽管许多模型能够识别一般性危险，但它们通常难以识别特定的危…
-
AI 角色演变：‘AI Engineer’ 获得关注，‘forward deployed engineer’ 被重新定义，‘physical AI’ 崭露头角
“AI Engineer”一职由 Swyx 于 2023 年首次定义，目前在科技行业迅速增长。另外，“forward deployed engineer”的定义不一致，与其固定的职位名称相比，更适合用解决问题和实地操作来描述。Applied Intuition 专注于“physical AI”，将人工智能应用于机器人和自动驾驶汽车等所有移动机器，整合边缘 AI 基础设施和传感器融合。
-
工厂利用工人拍摄内容来用AI机器人取代工人
工厂正在实施新的监控措施，包括给工人安装摄像头，其明确目标是最终用机器人取代他们。据报道，这项措施正在印度实施，工厂工人被要求拍摄自己。这项举措似乎是由旨在实现劳动力自动化的AI技术整合所驱动的。
-
日本计划开发本土AI模型，2040年前部署1000万台机器人
日本旨在开发自己的本土人工智能模型，并计划到2040年在各个行业部署1000万台配备人工智能的机器人。该举措是政府推动其在人工智能和机器人领域能力发展更广泛战略的一部分。
-
日本目标到2040年新增1000万台机器人，重点关注医疗护理
日本计划到2040年大幅增加其机器人数量，目标是新增1000万台机器人。此次扩张的一个关键重点是将机器人整合到医疗护理环境中。这项举措部分受到福岛灾难经验教训的启发，旨在利用人工智能和机器人技术来改善灾难响应和其他关键服务。
-
波士顿动力公司CEO：机器人是美国未来的关键，但数据和战略滞后
波士顿动力公司CEO强调了机器人在建设美国未来中的关键作用，并指出它们将融入制造业、医疗保健和物流等各个行业。他提到，尽管由于AI的进步，机器人的能力日益增强，但主要挑战在于为物理世界创建互联网规模的数据集。CEO还谈到了对就业岗位流失的担忧，他认为机器人应承担危险或重复性的任务，从而使人类能够从事更有意义的工作，并强调需要同步投资于工人再培训。为了保持竞争优势，特别是要应对中国在全球范围内大量部署机器人的情况，美国需要一项国家机器人…
-
图神经网络自动生成用于机器人导航的空间概念
研究人员开发了一种新方法，使用图神经网络自动生成3D场景图中的高层空间概念。该方法无需手动启发式方法来识别房间和墙壁等概念，而是从几何观察中在线推断它们。该系统将这些推断出的概念作为可优化因素集成到SLAM后端，从而提高了模拟和真实环境中房间检测和轨迹估计的准确性。
-
麻省理工学院开发快速肺炎呼吸测试和先进的机器人灵巧性
麻省理工学院的研究人员开发了一种新的呼吸测试，通过纳米颗粒检测特定生物标志物，能够在几分钟内诊断肺炎和其他肺部疾病。此外，超声成像技术的进步通过精确捕捉肌肉和关节运动，使机器人能够实现媲美人类的手部灵巧性。这些创新是麻省理工学院校友和朋友们呼吁支持科学领导力、择优教育和技术进步以造福社会的更广泛呼吁的一部分。
-
AI的语义革命：乌托邦、反乌托邦，还是必然的进步？
文章讨论了由人工智能驱动的“语义革命”概念，超越了肤浅的对话，探讨其深远影响。文章概述了人工智能未来的五种潜在情景：投机泡沫、闲暇乌托邦、全球统治工具、全面监控系统或人类灭绝的催化剂。文章认为，人工智能的进步是不可避免的，就像过去的技术飞跃一样，核心问题不在于算法本身，而在于谁控制它们以及它们加剧现有社会不平等的潜力。
-
AI 代理自主训练机器人安装 GPU、剪断扎带 · 跟踪 3 个来源
来自 NVIDIA、CMU 和 Berkeley 的研究人员开发了一个名为 ENPIRE 的框架，使 AI 代理能够自主训练机器人。这些 AI 代理已成功教会机械臂在无人干预的情况下将 GPU 安装到主板上并剪断扎带。这项进展允许机器人在白天由 AI 代理阅读报告的基础上，在夜间学习和改进其任务。
-
AI 编码代理学会自主控制和训练机器人
AI 编码代理已展示出自主控制机器人的能力，使其能够学习和执行复杂任务。这一进展使 AI 系统能够指导机器人训练，从而可能加速机器人系统的开发和能力提升。
-
新的 T-Rex 框架统一了机器人感知以实现实时物理交互
研究人员开发了 T-Rex，一个集成了机器人视觉、语言和触觉感知的框架。这使得机器人能够实时响应物理接触，超越了仅依赖视觉输入的限制。该框架建立在大量的触觉同步遥操作数据集之上，捕获了广泛的物体交互和运动原语。
-
AI机器人通过人类镜头训练模仿动作
开发者正在使用第一人称视角视频素材来训练人工智能模型，旨在使机器人能够模仿人类的动作。这种做法引发了对其对资本主义和技术未来影响的质疑，一些人认为这可能导致AI机器人取代人类工人的反乌托邦式结果。
-
新基准测试揭示机器人记忆在长期回忆和干扰方面存在困难
研究人员推出 RoboMME-Interference，这是一个新的基准测试，旨在模拟真实世界部署的条件下测试机器人记忆系统，在这些条件下，机器人会在长时间和各种任务中积累经验。该基准测试突显了当前机器人记忆系统的局限性，显示随着不相关会话的累积，准确性显著下降，表明其未能有效处理长上下文记忆和干扰。RoboMME-Interference 基准测试旨在推动更具弹性和有效性的机器人记忆能力的开发。
-
人类佩戴头戴式摄像头训练机器人完成日常任务
一种新的人工智能训练方法涉及人类佩戴头戴式摄像头来记录日常任务，例如切水果和叠毛巾。收集到的视频数据随后用于训练机器人执行相同的任务。虽然雇主认为未来人类和机器人将协同工作，但使用人力进行机器人训练引发了关于失业的疑问。
-
印度工人为未来人工智能机器人家庭角色进行培训
印度的工人们正在接受培训，以操作和管理专为家政任务设计的人工智能驱动机器人。该倡议旨在为劳动力为机器人技术未来融入家务和服务的整合做好准备。