Technical University of Munich
PulseAugur coverage of Technical University of Munich — every cluster mentioning Technical University of Munich across labs, papers, and developer communities, ranked by signal.
- 2026-06-04 research_milestone Researchers demonstrated an autonomous racing system capable of overtaking at 300 km/h. 来源
3 天有情绪数据
-
TUM 开发外骨骼和协作机器人系统，实现更安全的人机协作
TUM 的研究人员创建了一个用于安全人机协作的系统。该系统利用外骨骼和协作机器人（cobot）来最大限度地减少工人的体力负担。该技术旨在提高安全性并减轻工业环境中的体力负担。
-
慕尼黑人工智能日探讨人工智能在行星科学和负责任使用中的作用
由慕尼黑工业大学 (TUM) 联合主办的慕尼黑人工智能日活动正在探讨人工智能在了解地球和推进科学研究中的作用。重点是负责任地应用人工智能技术。
-
通过戏剧和纪录片探索 AI 伦理
慕尼黑工业大学的 MoralPLai 项目正在探索人们从 AI 聊天机器人寻求情感和道德指导的伦理影响。通过一部名为《第三种声音》的研究型戏剧和一部名为《MoralPLai Revisited》的纪录片，该项目采用法庭剧的形式，鼓励公众讨论信任、责任以及 AI 在决策中的作用。这些举措旨在通过对话空间促进 AI 伦理和素养。
-
AI项目ProtAl通过主动学习加速蛋白质发现
Software Campus项目ProtAl正在利用AI加速蛋白质的发现和工程化。该计划将主动学习与蛋白质语言模型相结合，以探索新方法。ProtAl的一个关键重点是确保其蛋白质工程平台的透明度和用户友好性。
-
AI研究员在销售会议上宣扬好处，忽略风险
来自慕尼黑工业大学的一位AI研究员在一次销售会议上发表演讲，只关注AI的好处，而没有提及潜在的缺点。演讲者特别提到了Anthropic和一个名为Loveable的工具，暗示它可以取代应用程序开发者的需求。与会者无法提出批判性问题，导致一些参与者感到沮丧，认为讨论缺乏平衡。
-
人工智能和语义结构改善医疗文献获取
软件校园项目INDEX正在探索人工智能和专业语义结构如何能够改善生物医学文献的获取。该倡议由慕尼黑工业大学的Joshua Oehms和Holtzbrinck领导，旨在通过改善医疗信息的检索来支持循证研究。该项目试图解决医学知识快速增长的挑战。
-
慕尼黑大学的自动驾驶赛车以300公里/小时的速度超车
慕尼黑工业大学的研究人员开发了一套自动驾驶赛车系统，能够以高达300公里/小时的速度超越其他车辆。他们的方法不同于典型的端到端强化学习，而是利用经典的感知-规划-控制流程，并辅以一个名为APEX的“受人类启发的积极驾驶智能”系统。该系统经过三年的开发，成功超越了梅赛德斯-AMG的测试车手和前DTM赛车手，尽管比当前F1车手稍慢。
-
新的秩统计量方法逼近 f-散度
研究人员开发了一种逼近 f-散度（一类用于量化概率分布之间差异的统计量）的新颖方法。这种称为秩统计量逼近的新技术，通过直接分析秩的分布，绕过了显式密度比估计的需要。该方法被证明可以提供真实 f-散度的下界，并通过随机投影为高维数据提供收敛速度。实证验证包括与神经网络的基准测试以及在生成模型实验中的应用。
-
AI 代理可能会迫使安全控制权回归数据库
随着 AI 代理能力的增强，关于在哪里实施安全和控制措施的争论正在浮现。CedarDB 的联合创始人 Lukas Vogel 认为，这些防护措施应该移回数据库层，而不是仅仅依赖应用程序层。这种转变是必要的，因为 AI 代理可以动态生成查询，使得传统的应用程序级权限不足以保证数据完整性和安全性。
-
AI工具和LLM助力碎片化的软件架构设计过程
R2D研究项目旨在通过将AI，特别是大型语言模型，与既定的工程方法相结合，来增强软件架构设计。该项目是慕尼黑工业大学与行业合作伙伴DATEV的合作成果，旨在自动化和简化当前创建健壮软件架构的手动且碎片化的过程。该项目探讨了LLM如何为架构师提供灵活的支持。
-
CVPR 2026：视觉AI从准确性转向理解不完美的现实世界数据
计算机视觉研究正从优化基准测试性能转向使模型能够在不完美条件下理解世界。围绕CVPR 2026展示的近期工作挑战了视觉系统的基本假设，例如模型是否必须是静态的、目标是否预先定义、信息是否完整或输入是否结构化。诸如视频分割的交互式训练和无训练的上下文内分割等创新展示了模型可以从反馈中学习并在无需显式重新训练的情况下适应新目标。
-
OpenTSLM推出时间序列语言模型，实现原生时间数据推理
一类名为时间序列语言模型（TSLM）的新型基础模型已被推出，旨在原生处理和推理时间数据。这些模型由来自ETH、斯坦福、哈佛等机构的团队开发，旨在弥合现实世界时间序列信号与人工智能驱动的决策之间的差距。该项目包括开源基础模型和面向企业应用的先进专有版本，设想未来TSLM将增强医疗保健、机器人和基础设施等领域。