本文介绍了 Griddly—— 一种游戏人工智能研究平台,它不仅提供高度配置的游戏环境和不同的观察者类型,还有高效的 C++ 核心引擎。研究者在该平台上进行的基准实验有助于研究不同观察配置和强化学习智能体的泛化能力。
Nov, 2020
本文提出 RoboNet,一个用于共享机器人经验的开放数据库,结合视觉先见性和监督逆模型两种学习算法,用于视觉引导的机器人操作的泛化模型学习,其预训练和微调性能超过使用 4 倍至 20 倍更多数据的机器人特定培训方法。
Oct, 2019
通过开放式训练和高容量结构的机器学习模型,结合具有各种数据多样性的大规模数据集,以实现机器人模型的泛化能力。
Dec, 2022
批判性地探讨深度神经网络 (DNN) 作为实现人工通用智能的技术选择的可行性,并给出了五个主要的原因进行支撑,表明 DNN 目前还不适合成为实现人工通用智能的选择。
Mar, 2022
构建和测试人类智能水平的机器是一项具有重要经济激励的科学大挑战,我们介绍了我们的方法,包括物理人形机器人系统、基于软件的控制系统、衡量人形机器人智能的性能指标 g + 和用于逐步提高该性能指标得分的进化算法,并报告了该系统的 g + 指标的当前和历史测量结果。
Jul, 2023
本研究介绍 OpenGridGym,一个基于 Python 的开源模拟软件包,能够将分布式市场模拟与最先进的人工智能决策算法进行无缝集成。该工具通过多个案例展示了其价值,并提供了多个模块用于模拟电力网格,市场机制和环境等。旨在帮助研究人员解决配电市场的关键设计和操作问题。
本文介绍了针对机器人学应用的开放式深度学习工具包(OpenDR),该工具包旨在为机器人公司和研究机构提供机器人领域的知识。OpenDR 旨在解决现有深度学习框架在机器人领域使用时面临的问题,其中包括特定的学习、推理和融合问题,静态推理范式的局限性以及方法论的差异等。
通过解决大规模模型的局限性以及利用现有技术,本文提出解决方案,进而解决大规模模型固有的缺陷,逐步实现真正的人工智能通用智能。
Aug, 2023
通过生成仿真系统,RoboGen 是一种生成式机器人代理,可以自动学习各种机器人技能,从而规模化地进行机器人技能学习,减少人类监督。
Nov, 2023
提出一种基于深度学习的方法,将预测、决策和规划模块融合起来,以克服自动驾驶系统中基于规则的方法在真实世界应用中的不足,特别是在城市场景中。所提出的 DNN 模型仅经过 10 小时的人工驾驶数据训练,并且支持市场上所有的批量生产 ADAS 功能。在此论文中,展示了该方法在不对车辆的传感器设置和计算平台进行任何修改的情况下,通过部署到集约的测试车辆上,展示了其可行性、可用性和商业潜力。
May, 2024