


Un robot quadrupède apprend à « se tenir sur deux jambes et descendre les escaliers » ! 83 % plus efficace que les systèmes sur pieds
Vous souvenez-vous de cette course de robots avec Tesla ?
Il s'agit d'un robot quadrupède à pattes de roue portant le même nom que la société développée par une société dérivée de l'École polytechnique fédérale de Zurich, Suisse-Swiss-Mile, anciennement connue sous le nom de N'IMPORTE QUEL robot quadrupède.
Moins de six mois depuis qu'elle a commencé à courir avec Tesla, elle a réalisé une autre mise à niveau majeure.
Cette mise à niveau a amélioré l'algorithme du robot, et la capacité de mouvement a directement amélioré UP UP UP
Vous pouvez vous tenir sur deux jambes et descendre les escaliers :
(OS intérieur de l'éditeur : Si je porte des patins à roulettes en descendant les escaliers, je risque de tomber et de manger de la merde)
Si vous êtes fatigué de monter les escaliers, prenez l'ascenseur et appuyez sur la porte de l'ascenseur avec votre pied avant :
Être capable de faire face aux obstacles avec facilité :
Il sait également quand se lever et quand « s'allonger », et passer de la position debout le mouvement des jambes et des quadrupèdes est plus fluide :
L'algorithme AMP est appliqué à de vrais robots pour la première fois
Swiss-Mile a déjà utilisé des méthodes de contrôle prédictif de modèle (MPC) et d'apprentissage par renforcement (RL) , mais cela nécessite des ajustements fastidieux pour obtenir la méthode de mouvement idéale.
Dans cette mise à niveau de l'algorithme, les chercheurs ont utilisé l'algorithme Multi-AMP (Adversarial Motion Priors adversarial motion prior) pour améliorer le cadre d'apprentissage par renforcement traditionnel, qui peut automatiquement exécuter plusieurs priors de mouvement pour les cibles d'imitation et le mouvement. processus de sélection.
Qu'est-ce que l'AMP exactement ?
Il s'agit d'un système d'apprentissage contradictoire basé sur l'animation de personnages physiques, proposé par des chercheurs de l'Université de Californie à Berkeley et de l'Université Jiao Tong de Shanghai, et Swiss-Mile a appliqué cette méthode à un vrai robot pour la première fois !
Pour l'apprentissage général de l'imitation, il est généralement nécessaire d'extraire manuellement un grand nombre de segments de mouvement qui doivent être imités comme cibles de suivi. Cependant, l'utilisation d'AMP peut sélectionner automatiquement les segments de mouvement appropriés pour atteindre la tâche cible. et la sélection de clips de mouvement au discriminateur, le discriminateur apprend à faire la distinction entre les politiques et les transitions d'état des données de mouvement.
Formation à la simulation et au déploiement
Les chercheurs ont déployé le cadre Multi-AMP sur le Swiss-Mile avec 16 degrés de liberté, permettant au simulateur ⽤ Isaac Gym, et plus de 4 000 robots peuvent s'entraîner simultanément compétences en 42 minutes.
L'environnement d'entraînement se compose de trois tâches :
La première tâche est le mouvement quadrupède, et les données de mouvement sont constituées de mouvements enregistrés par la stratégie RL.
La deuxième tâche consiste à utiliser la compétence d'évitement pour que le robot se cache sous la table. Les données de mouvement de la compétence sont générées par le pipeline d'optimisation de trajectoire et déployées et suivies par le contrôleur MPC.
La dernière tâche est la conversion de mouvement entre "debout" et "quadrupède". Grâce aux compétences de découplage des données, le robot peut se tenir debout sur ses pattes arrière, glisser sur deux pattes et enfin utiliser la position assise. redescendez de la même manière que vous l'avez fait en vous levant.
Enfin, Swiss-Mile a été déployé dans un environnement réel, les chercheurs ont utilisé des modèles d'actionneurs d'articulations de jambe pour combler le fossé entre la simulation et la réalité, et ont utilisé un entraînement sur terrain accidenté, des interférences aléatoires, etc. robustesse. stabilité ; si une certaine vitesse articulaire dépasse la limite de l'actionneur, le robot apprend à maintenir une tolérance sûre de la limite tout au long de la trajectoire terminale.
Robot quadrupède ou humanoïde ? 83 % plus efficace que les systèmes sur pieds !
Swiss-Mile n'est pas seulement un robot à quatre pattes, mais aussi un robot humanoïde.
La version à roues présente de nombreux avantages significatifs par rapport à la version à pattes. Une fois l'algorithme amélioré, le robot peut se lever directement dans l'état de « robot humanoïde » et effectuer des actions difficiles telles que glisser, monter des escaliers et aller. en descente. Capable de se déplacer plus rapidement et plus efficacement, beaucoup plus vite que la marche à quatre pattes et 83 % plus efficace que les systèmes sur pattes !
À l'avenir, l'entreprise espère commercialiser des robots à pattes de roue pour effectuer diverses tâches, notamment la cartographie, les inspections, les secours en cas de catastrophe et la logistique en environnement urbain.
Peut-être qu'un jour, vous verrez le robot utiliser ses "pattes avant" surélevées comme bras pour saisir les colis express, puis les placer dans le compartiment cargo sur le dos, puis revenir à quatre pattes pour se déplacer le plus rapidement possible. Livraison porte à porte rapide.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
