'José Altuve' Houston Astros با یک حساب 3-2 به صفحه صعود می کند ، پارچ و وضعیت را مطالعه می کند ، از پایه سوم پیش می رود ، توپ را آزاد می کند ، توپ را تغییر می دهد ... . سفر دیگری برای قهرمان سه‌گانه قهرمان لیگ قهرمانان اروپا است.
آیا یک ربات می تواند در همان شرایط ضربه ای به خود بگیرد؟ محتمل نیست
Altuve رفلکسهای طبیعی ، سالها تجربه ، آگاهی از تمایلات پارچ و درک درستی از مسیرهای مختلف را رعایت کرده است. آنچه را که می بیند ، می شنود و احساس می کند یکپارچه با مغز و حافظه ماهیچه ای خود ترکیب می شود تا نوساناتی را که باعث ایجاد ضربه می شود به موقع تبدیل کند. از طرف دیگر ، این روبات برای استفاده هماهنگ داده ها از سنسورهای خود با قابلیت های حرکتی خود ، باید از یک سیستم پیوند استفاده کند. و نمی تواند چیزی را به خاطر آورد. اعتصاب سه!
اما ممکن است امید به این روبات پمپ وکیوم وجود داشته باشد. مقاله ای که محققان دانشگاه مریلند به تازگی در ژورنال Science Robotics منتشر کرده اند ، شیوه جدیدی از ترکیب ادراکات و دستورات حرکتی را با استفاده از نظریه محاسبات به دست آمده Hyperdimensional ، معرفی می کند ، که می تواند اساساً وظیفه هوش مصنوعی اساسی (AI) از نمایشگر حسگرها را تغییر داده و بهبود بخشد. چگونه مامورانی مانند روبات ها آنچه را که حس می کنند به آنچه انجام می دهند ترجمه می کنند. توسط دکتری علوم کامپیوتر نوشته شده است. دانشجویان آنتون میتروخین و پیتر سوتور ، جونیور؛ کرنلیا Fermüller ، دانشمند تحقیقات دانشکده و انستیتوی مطالعات پیشرفته رایانه دانشگاه دانشگاه مریلند. و استاد علوم کامپیوتر Yiannis Aloimonos. میتروخین و معلم توسط آلوئیمونوس توصیه می شوند.
ادغام مهمترین چالش پیش روی زمینه روباتیک است. سنسورهای یک ربات و محرکهای آن که حرکت می کنند ، سیستمهای جداگانه ای هستند که با یک مکانیسم یادگیری مرکزی که با توجه به داده های سنسور مربوط به یک عمل مورد نیاز است ، یا برعکس ، به یکدیگر مرتبط می شوند .
سیستم دشوار سه بخشی هوش مصنوعی - هر بخشی که به زبان خود صحبت می کند - راهی آهسته برای به دست آوردن روبات ها برای انجام وظایف سنجشی است. قدم بعدی روباتیک ادغام درک یک ربات با قابلیت های حرکتی آن است. این فیوژن ، معروف به "ادراک فعال" ، روشی کارآمدتر و سریعتر را برای انجام ربات فراهم می کند.
در نظریه محاسبات جدید نویسندگان ، سیستم عامل یک روبات مبتنی بر بردارهای باینری دو بعدی (HBV) است که در یک فضای پراکنده و بسیار زیاد وجود دارد. HBV ها می توانند چیزهای جداگانه ای را نشان دهند - به عنوان مثال ، یک تصویر واحد ، یک مفهوم ، یک صدا یا یک دستورالعمل. دنباله های ساخته شده از چیزهای گسسته. و گروه بندی چیزها و توالیهای گسسته. آنها می توانند تمام این نوع اطلاعات را به روشی ساختاری معقول به حساب آورند و هر روش را در بردارهای طولانی 1 و 0 با ابعاد مساوی به هم متصل کنند. در این سیستم امکانات اکشن ، ورودی حسی و سایر اطلاعاتی که فضای مشابهی را اشغال می کنند ، به همان زبان هستند و ذوب می شوند و نوعی حافظه را برای روبات ایجاد می کنند.
مقاله Science Robotics اولین بار است که ادراک و عمل یکپارچه شده است.
خط لوله دو بعدی. از داده های رویداد (ب) ضبط شده در DVS هنگام پرواز هواپیماهای بدون سرنشین (a) ، "تصاویر رویداد" (ج) و بردارهای حرکتی سه بعدی (d) محاسبه می شوند و هر دو به عنوان بردارهای باینری رمزگذاری شده و در حافظه با استفاده از عملیات بردار ویژه ترکیب می شوند. (ه) با توجه به تصویر رویداد جدید (f) ، حرکت سه بعدی همراه را می توان از حافظه فراخواند. اعتبار: گروه ادراک و رباتیک ، دانشگاه مریلند.
یک چارچوب بیش از اندازه می تواند هر توالی از "نمونه ها" را به HBV های جدید تبدیل کند و HBV های موجود را با هم گروه بندی کند ، همه در طول بردار یکسان هستند. این یک روش طبیعی برای ایجاد "خاطرات" معنایی مهم و آگاهانه است. رمزگذاری اطلاعات بیشتر و بیشتر به نوبه خود منجر به بردارهای "تاریخ" و توانایی به خاطر سپردن می شود. سیگنال ها به بردار تبدیل می شوند ، ایندکس شدن به حافظه ترجمه می شود و یادگیری از طریق خوشه بندی اتفاق می افتد.
خاطرات این ربات از آنچه که در گذشته احساس کرده و انجام داده است ، می تواند باعث شود که انتظار ادراک آینده را داشته باشد و بر اقدامات آینده خود تأثیر بگذارد. این درک فعال باعث می شود ربات بتواند خودمختارتر شود و بتواند وظایف خود را بهتر انجام دهد.
آلوئیمونوس می گوید: "یک فرد فعال می داند که چرا می خواهد احساس کند ، سپس چه چیزی را درک می کند و تعیین می کند که چگونه ، چه زمان و کجا به درک برسیم." "این صحنه ها ، لحظات در زمان و قسمت ها را انتخاب و تصحیح می کند. سپس مکانیسم ها ، سنسورها و سایر مؤلفه های خود را ترسیم می کند تا به آنچه می خواهد ببیند عمل کند و دیدگاه هایی را انتخاب می کند که از آن به بهترین وجه بتواند آنچه را که در نظر دارد به دست آورد."
'José Altuve' Houston Astros با یک حساب 3-2 به صفحه صعود می کند ، پارچ و وضعیت را مطالعه می کند ، از پایه سوم پیش می رود ، توپ را آزاد می کند ، توپ را تغییر می دهد ... . سفر دیگری برای قهرمان سه‌گانه قهرمان لیگ قهرمانان اروپا است.
آیا یک ربات می تواند در همان شرایط ضربه ای به خود بگیرد؟ محتمل نیست
Altuve رفلکسهای طبیعی ، سالها تجربه ، آگاهی از تمایلات پارچ و درک درستی از مسیرهای مختلف را رعایت کرده است. آنچه را که می بیند ، می شنود و احساس می کند یکپارچه با مغز و حافظه ماهیچه ای خود ترکیب می شود تا نوساناتی را که باعث ایجاد ضربه می شود به موقع تبدیل کند. از طرف دیگر ، این روبات برای استفاده هماهنگ داده ها از سنسورهای خود با قابلیت های حرکتی خود ، باید از یک سیستم پیوند استفاده کند. و نمی تواند چیزی را به خاطر آورد. اعتصاب سه!
اما ممکن است امید به این روبات پمپ وکیوم وجود داشته باشد. مقاله ای که محققان دانشگاه مریلند به تازگی در ژورنال Science Robotics منتشر کرده اند ، شیوه جدیدی از ترکیب ادراکات و دستورات حرکتی را با استفاده از نظریه محاسبات به دست آمده Hyperdimensional ، معرفی می کند ، که می تواند اساساً وظیفه هوش مصنوعی اساسی (AI) از نمایشگر حسگرها را تغییر داده و بهبود بخشد. چگونه مامورانی مانند روبات ها آنچه را که حس می کنند به آنچه انجام می دهند ترجمه می کنند. توسط دکتری علوم کامپیوتر نوشته شده است. دانشجویان آنتون میتروخین و پیتر سوتور ، جونیور؛ کرنلیا Fermüller ، دانشمند تحقیقات دانشکده و انستیتوی مطالعات پیشرفته رایانه دانشگاه دانشگاه مریلند. و استاد علوم کامپیوتر Yiannis Aloimonos. میتروخین و معلم توسط آلوئیمونوس توصیه می شوند.
ادغام مهمترین چالش پیش روی زمینه روباتیک است. سنسورهای یک ربات و محرکهای آن که حرکت می کنند ، سیستمهای جداگانه ای هستند که با یک مکانیسم یادگیری مرکزی که با توجه به داده های سنسور مربوط به یک عمل مورد نیاز است ، یا برعکس ، به یکدیگر مرتبط می شوند .
سیستم دشوار سه بخشی هوش مصنوعی - هر بخشی که به زبان خود صحبت می کند - راهی آهسته برای به دست آوردن روبات ها برای انجام وظایف سنجشی است. قدم بعدی روباتیک ادغام درک یک ربات با قابلیت های حرکتی آن است. این فیوژن ، معروف به "ادراک فعال" ، روشی کارآمدتر و سریعتر را برای انجام ربات فراهم می کند.
در نظریه محاسبات جدید نویسندگان ، سیستم عامل یک روبات مبتنی بر بردارهای باینری دو بعدی (HBV) است که در یک فضای پراکنده و بسیار زیاد وجود دارد. HBV ها می توانند چیزهای جداگانه ای را نشان دهند - به عنوان مثال ، یک تصویر واحد ، یک مفهوم ، یک صدا یا یک دستورالعمل. دنباله های ساخته شده از چیزهای گسسته. و گروه بندی چیزها و توالیهای گسسته. آنها می توانند تمام این نوع اطلاعات را به روشی ساختاری معقول به حساب آورند و هر روش را در بردارهای طولانی 1 و 0 با ابعاد مساوی به هم متصل کنند. در این سیستم امکانات اکشن ، ورودی حسی و سایر اطلاعاتی که فضای مشابهی را اشغال می کنند ، به همان زبان هستند و ذوب می شوند و نوعی حافظه را برای روبات ایجاد می کنند.
مقاله Science Robotics اولین بار است که ادراک و عمل یکپارچه شده است.
خط لوله دو بعدی. از داده های رویداد (ب) ضبط شده در DVS هنگام پرواز هواپیماهای بدون سرنشین (a) ، "تصاویر رویداد" (ج) و بردارهای حرکتی سه بعدی (d) محاسبه می شوند و هر دو به عنوان بردارهای باینری رمزگذاری شده و در حافظه با استفاده از عملیات بردار ویژه ترکیب می شوند. (ه) با توجه به تصویر رویداد جدید (f) ، حرکت سه بعدی همراه را می توان از حافظه فراخواند. اعتبار: گروه ادراک و رباتیک ، دانشگاه مریلند.
یک چارچوب بیش از اندازه می تواند هر توالی از "نمونه ها" را به HBV های جدید تبدیل کند و HBV های موجود را با هم گروه بندی کند ، همه در طول بردار یکسان هستند. این یک روش طبیعی برای ایجاد "خاطرات" معنایی مهم و آگاهانه است. رمزگذاری اطلاعات بیشتر و بیشتر به نوبه خود منجر به بردارهای "تاریخ" و توانایی به خاطر سپردن می شود. سیگنال ها به بردار تبدیل می شوند ، ایندکس شدن به حافظه ترجمه می شود و یادگیری از طریق خوشه بندی اتفاق می افتد.
خاطرات این ربات از آنچه که در گذشته احساس کرده و انجام داده است ، می تواند باعث شود که انتظار ادراک آینده را داشته باشد و بر اقدامات آینده خود تأثیر بگذارد. این درک فعال باعث می شود ربات بتواند خودمختارتر شود و بتواند وظایف خود را بهتر انجام دهد.
آلوئیمونوس می گوید: "یک فرد فعال می داند که چرا می خواهد احساس کند ، سپس چه چیزی را درک می کند و تعیین می کند که چگونه ، چه زمان و کجا به درک برسیم." "این صحنه ها ، لحظات در زمان و قسمت ها را انتخاب و تصحیح می کند. سپس مکانیسم ها ، سنسورها و سایر مؤلفه های خود را ترسیم می کند تا به آنچه می خواهد ببیند عمل کند و دیدگاه هایی را انتخاب می کند که از آن به بهترین وجه بتواند آنچه را که در نظر دارد به دست آورد."
تحقیقات نشان می دهد که یادگیری ماشین موانع زبان را در تجارت جهانی کاهش می دهد