科學(xué)家研發(fā)采摘機(jī)器人，可解決農(nóng)業(yè)勞動(dòng)力短缺問題

1.科學(xué)家研發(fā)采摘機(jī)器人，可解決農(nóng)業(yè)勞動(dòng)力短缺問題

據(jù)CNBC 12月21日?qǐng)?bào)道，來自歐洲和以色列的研究人員開發(fā)了一款名為 Sweeper 的機(jī)器人，這款機(jī)器人可以在種植甜椒的溫室內(nèi)自主來回巡視，觀察甜椒是否成熟，并將成熟的甜椒摘下放入籃子中。我們可以將 Sweeper 看作是一輛自動(dòng)駕駛的汽車，只是這款“汽車”前部配有一把鋸齒。Sweeper 在溫室中通過傳感器確定自己巡視的路徑，在沿著植株種植路徑巡視的過程中，它每隔幾米就會(huì)停下來對(duì)目標(biāo)圖像進(jìn)行拍攝，挑選一個(gè)辣椒大約需要24秒。Sweeper并不是唯一的收割機(jī)器人。Argobot正在測(cè)試一種采摘草莓的機(jī)器，Green Robot Machinery有一個(gè)采棉機(jī)器人，而以色列的MetroMotion正在研究一種采摘西紅柿的機(jī)器人。根據(jù)市場(chǎng)研究數(shù)據(jù)，到2025年，農(nóng)業(yè)機(jī)器人市場(chǎng)有望達(dá)到750億美元。Sweeper的創(chuàng)造者希望這種機(jī)器人不僅能幫助解決農(nóng)業(yè)勞動(dòng)力短缺的問題，還能減少食物的腐敗。目前Sweeper還不是十分完善，但研究團(tuán)隊(duì)表示，會(huì)在三到五年內(nèi)將其商業(yè)化。

2.300個(gè)硬幣大小的機(jī)器人能像生物細(xì)胞一樣完成自我組織，來改變形狀

據(jù)Robohub12月19日?qǐng)?bào)道，研究人員研發(fā)出可以自我改變組織形狀的機(jī)器人群，并將這份研究報(bào)告發(fā)表在了Science Robotics雜志上。這個(gè)機(jī)器人群由300個(gè)硬幣大小的機(jī)器人組成?？茖W(xué)家們使用了區(qū)域性自我組織的工作原理，使機(jī)器人以擴(kuò)散反應(yīng)的周期性模式，來決定它們的最終形狀。該原理與生物學(xué)原理相似，研究人員只需將機(jī)器人從不再需要的區(qū)域移動(dòng)到目標(biāo)區(qū)域，那么該機(jī)器人就會(huì)朝著具有高水平形態(tài)因子的區(qū)域——圖靈點(diǎn)的位置移動(dòng)。遵循這樣的原理，研究人員已成功完成了20多個(gè)實(shí)驗(yàn)，重復(fù)改變機(jī)器人的形狀。這項(xiàng)研究對(duì)未來大型機(jī)器人的實(shí)際應(yīng)用意義重大。能自由改變形狀的機(jī)器人可以被用在火災(zāi)、地震等自然災(zāi)害的營(yíng)救中，因?yàn)樗鼈兛梢赃m應(yīng)任何建筑與地形。

3.斯坦福出品：利用人工智能找出美國(guó)所有太陽能電池板

專家們一直認(rèn)為手工計(jì)算出美國(guó)太陽能電池板的數(shù)量是不切實(shí)際的，斯坦福大學(xué)的研究人員有一個(gè)解決方案：讓 AI 來做這個(gè)繁重的工作。他們精心設(shè)計(jì)了一個(gè)深度學(xué)習(xí)系統(tǒng) DeepSolar，它映射了美國(guó)每個(gè)可見的太陽能電池板，大約有 147 萬個(gè)?；?a href="http://srfitnesspt.com/tags/神經(jīng)網(wǎng)絡(luò)/" target="_blank">神經(jīng)網(wǎng)絡(luò)的方法將衛(wèi)星圖像轉(zhuǎn)換為瓦片，對(duì)這些瓦片中的每個(gè)像素進(jìn)行分類，并組合這些像素以確定給定區(qū)域中是否存在太陽能電池板，無論它們是大型太陽能農(nóng)場(chǎng)還是單獨(dú)的屋頂安裝。

4.智能硬件品牌MiaWord獲洪泰智造基金數(shù)百萬種子輪融資

智能硬件品牌 MiaWord 宣布于今年 11 月完成數(shù)百萬種子輪融資，資方系洪泰智造基金，資金主要用于硬件研發(fā)和軟件開發(fā)等方面。目前，為了加速推進(jìn)項(xiàng)目發(fā)展，MiaWord 正在籌備天使輪融資，資金主要用于團(tuán)隊(duì)擴(kuò)張、產(chǎn)品研發(fā)等方面。據(jù)悉，MiaWord 是一個(gè)人工智能硬件+泛社交信息共享平臺(tái)，智能硬件包括智能辦公系列和智能穿戴系列。

5.社交媒體大熱新研究 使用 GAN 學(xué)習(xí)沒有真實(shí)數(shù)據(jù)的機(jī)器人抓取

來自 Google AI， DeepMind AI 等研究人員新發(fā)表論文今天在社交媒體大熱。據(jù)研究人員介紹，該方式是從隨機(jī)到規(guī)范的適應(yīng)網(wǎng)絡(luò)，且進(jìn)行過隨機(jī)化訓(xùn)練的 real2sim 圖像翻譯器，從而實(shí)現(xiàn)不需要真實(shí)數(shù)據(jù)來學(xué)習(xí)機(jī)器人抓取的高性能。著名的對(duì)抗生成式網(wǎng)絡(luò)發(fā)明人 Ian Goodfellow 也在個(gè)人社交賬號(hào)轉(zhuǎn)發(fā)此文表示關(guān)注。