現(xiàn)代自動化生產(chǎn)中要求機器人系統(tǒng)具備一定柔性以適應變種變量的生產(chǎn)需求。例如在機器人分揀及組裝中，機器人需要快速處理各式不同的物體。使機器人系統(tǒng)可以穩(wěn)定并且低成本的操控多種目標物體是實現(xiàn)新一代G效自動化生產(chǎn)的重要研究目標。目前機器人系統(tǒng)針對多種物體的操作，主要通過機械手/手指更換設(shè)備或多功能機械手來實現(xiàn)[1][2]。然而機械手/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)的復雜度。同時，設(shè)備的控制與供能需要引入電纜或氣管，這會對機械臂的自由靈活運動產(chǎn)生干擾。此外，多功能機械手僅可適用于一定范圍的操作任務。對此，我們提出了讓機器人使用不同工具來操作多樣化目標物的方法。這里提到的工具并不是機器人學中對終端執(zhí)行器的稱呼，而是同人類使用的鑷子，剪刀等工具一樣的可以被機械手直接控制的工具。此工具為復雜的變種變量的操作任務提供了一項有效的解決方案，它有如下特征：(1) 通過機械機構(gòu)實現(xiàn)機械手到工具的動力傳遞，無需外部控制及供能；(2)結(jié)構(gòu)緊湊，對機器人的避障路徑規(guī)劃影響J��；(3) 通過設(shè)計不同的工具先端實現(xiàn)可以對多種任務進行有效配適，在更換工具時僅需要對目標工具進行一次抓取；(4)純機械機構(gòu)設(shè)計，成本低廉，可靠性強。
【聲明：轉(zhuǎn)載此文出于傳遞更多信息之目的，并不意味著贊同其觀點或證實其描述，文章內(nèi)容僅供參考，如有侵權(quán)，請聯(lián)系刪除�！�
非接觸式檢測平臺FluSense由麥克風陣列和熱成像攝像機組成，用于捕捉不同的候診室人群行為，包括咳嗽和語言活動以及候診室病人數(shù)量
應用于MIS的觸覺傳感器主要是基于電學或光學原理開發(fā)的，應該是小尺寸和圓柱形的，可在導管的管身或尖端集成
MIS 和RMIS觸覺傳感器常用的傳感原理是基于電氣的傳感器。這些觸覺傳感器進一步分為壓阻型、壓電型和電容型傳感器
馬庫斯系統(tǒng)性地闡述了對當前AI研究界的批判，從認識科學L域中針對性地給出了11條可執(zhí)行的建議
記憶增強的圖神經(jīng)網(wǎng)絡(luò)對短期的商品語境信息建模，并使用共享的記憶網(wǎng)絡(luò)來捕捉商品之間的長期依賴，對多個模型進行了對比,在Top-K序列推薦中效果J佳
外賣履約時間預估模型，預估的是從用戶下單開始到騎手將餐品送達用戶手中所花的時間
解決了傳統(tǒng)圖卷積神經(jīng)網(wǎng)絡(luò)中圖節(jié)點學習到的特征對圖分辨率和連接關(guān)系敏感的問題，可以實現(xiàn)在低分辨率的三維形狀上學習特征，在G低分辨率形狀之上進行測試，并且保持不同分辨率特征的一致性
2020年5月底OpenAI發(fā)布了有史以來強的NLP預訓練模型GPT-3，大的GPT-3模型參數(shù)達到了1750億個參數(shù)
達摩院金榕教授介紹了語音、自然語言處理、計算機視覺三大核心AI技術(shù)的關(guān)鍵進展，并就AI技術(shù)在在實際應用中的關(guān)鍵挑戰(zhàn)，以及達摩院應對挑戰(zhàn)的創(chuàng)新實踐進行了解讀
新一代移動端深度學習推理框架TNN，通過底層技術(shù)優(yōu)化實現(xiàn)在多個不同平臺的輕量部署落地，性能優(yōu)異、簡單易用。騰訊方面稱，基于TNN，開發(fā)者能夠輕松將深度學習算法移植到手機端G效的執(zhí)行，開發(fā)出人工智能 App，真正將 AI 帶到指尖
新加坡國立大學NExT中心的王翔博士分析了知識圖譜在個性化推薦L域的應用背景，并詳細介紹了課題組在個性化推薦中的相關(guān)研究技術(shù)和進展，包括基于路徑、基于表征學習、基于圖神經(jīng)網(wǎng)絡(luò)等知識圖譜在推薦系統(tǒng)中的融合技術(shù)
根據(jù)各種指法的具體特點,對時頻網(wǎng)格圖、時域網(wǎng)格圖、頻域網(wǎng)格圖劃分出若干個不同的計算區(qū)域,并以每個計算區(qū)域的均值與標準差作為指法自動識別的特征使用，用于基于機器學習方法的指法自動識別
