跳至内容极速飞艇_极速飞艇彩票官网【最新凤凰彩票app下载】首页健康专栏科技创新更多返回〓除了跑酷、还需懂礼貌，这款机器人不会乱翻你的书桌〓除了跑酷、还需懂礼貌，这款机器人不会乱翻你的书桌除了自学走路和表演后空翻，科学家还想让机器人学会懂礼貌，不乱动别人的东西。最近，耶鲁大学计算机学院的两位人工智能研究员训练出了一款“举止得体”的机器人，这款机器人具有所有权意识，可以通过自主学习来了解物品的归属情况并做出合适的举动，不会像春节回家的“熊孩子”那样乱翻你的东西。为了让机器人具有明确的所有权意识，研究人员开发了一个能够学习并符合所有权规范的系统，然后将这个系统部署在巴克斯特（Baxter）机器人平台上。被部署所有权系统的巴克斯特机器人可以通过两种方式掌握“物品归谁所有”这个问题，并作出符合社会规范的行为。第一种方式是学习直接的指令，例如，机器人被人类口头告知不要去接触属于特定人的某些物体，这时候，根据一般的社会规则，机器人会推断出，它不应该接触属于别人的物品。另一种方式是，机器人与环境交互，通过观察具体的案例来归纳物品的归属情况，并作出适当的行为。耶鲁大学的人工智能研究员Xuan Tan和杰克·布劳尔（Jake Brawer）用一次积木实验展示了上述两种学习方式。桌子上放着一些积木，有红、绿、蓝三种颜色。实验中，Tan一直把玩几块红色的积木，这让一行为使机器人自行推断出：这些红色的积木都属于同一个人。在这里，机器人用了第二种方式，通过观察来归纳物品的所有权归属问题。接着，Tan指示机器人扔掉桌上的所有东西。当机器人接近桌上的一块红色积木时，Tan制止了它，并说：“这是我的”。这是一个直接指令，使机器人意识到它不应该扔掉属于Tan的东西。由于机器人还假定其他的红色积木也属于Tan，于是，它在清理桌子时把所有的红色积木都留了下来。后来，当杰克·布劳尔命令机器人扔掉桌上的一块红色积木时，机器人回答说：“对不起，如果它是Tan所有的，我不可以扔掉它。”通过人机交互学习所有权归属关系。上图：机器人被Tan从丢弃物体2的动作中口头制止。下图：机器人通过与Tan的交互学习了所有权关系和操作权限，拒绝了杰克丢弃物体2的请求。从实验本身来看，结果似乎很成功。机器人通过自学了解了红色积木都归Tan所有，并做出了合乎社会规范的行为。但桌上的积木只是一个简单的场景，真实世界的情况会复杂得多。对人类而言，掌握所有权的概念十分容易，加拿大滑铁卢大学的心理学家奥利·弗里德曼（Ori Friedman）曾提出，无需父母的教导，二至三岁的孩子就可以自发地产生所有权意识。同样的事情，在机器人身上则是另一番景象，让机器人完全掌握所有权概念并作出正确的举动并非易事。塔夫茨大学的计算机科学家Matthias Scheutz评价说，该系统能在多大程度上推广并适用于真实场景还是一个开放的问题，但这无疑是一个很好的“首次尝试”，让机器人尊重物品的所有权。随着人工智能和机器人技术在社会生活中的普及，智能系统的社会能力变得越来越重要。而社会能力的其中一个要素就是学习和遵守社会道德规范的能力。物品所有权的意识是这些社会规范良好缩影。研究员Xuan Tan认为，一个有效的协作机器人应该懂得自学并区别对待不同所有权属性的物品。例如，在不需要人类帮助列举的情况下，一个垃圾收集机器人需要知道，自己应该丢弃一个空的汽水罐，而不是一张珍贵的照片或一个未开封的汽水罐。这项研究的相关论文《那是我的！机器人学习所有权关系和规范》（That’s Mine! Learning Ownership Relations and Norms for Robots）在2019年2月1日的美国人工智能学会（AAAI）人工智能会议上展示。发布者：极速飞艇_极速飞艇彩票官网【最新凤凰彩票app下载】2019年3月14日发布于科技创新、首页于〓除了跑酷、还需懂礼貌，这款机器人不会乱翻你的书桌留下评论〓春节停车难，用 Python 找空车位〓春节停车难，用 Python 找空车位生活在北京，深知开车出门最怕的就是堵车和找不到停车位。记得冬至那个周末，几个小伙伴滑雪回来找了一家饺子馆吃饺子，结果七拐八拐，好不容易才找到一个停车位。看到这篇技术文章，马上就想要学习一下，分享给大家，希望有助于解决大家这个痛点问题，春节出行没准就可以用得上了。作者通过相机结合深度学习算法，基于 Python 语言建立一个高精度的停车位的通知系统，每当有新停车位时就会发短信提醒我。听起来好像很复杂，真的方便实用吗？但实际上所使用的工具都是现成的，只要将这些工具进行有机的组合，就可以快速、简便的实现。下面我们就开始学习整个工程流程。解决一个复杂的问题，首先第一步是要把问题分解成几个简单子任务。然后，针对每个子任务，运用机器学习中不同的方法来分别解决每个问题。最后把这些子任务贯穿起来，形成整套解决方案。下面是检测开放停车位的流程图:输入：普通摄像头采集的视频流有了输入数据后，接下来我们需要知道图像的哪一部分是停车位，而且停车位是没有人使用的。第一步：检测视频帧中所有可能的停车位。第二步：检测每一帧视频中的所有车辆。可以跟踪每辆车从一帧到另一帧的运动。第三步：确定目前有哪些停车位被占用，哪些没有被占用。这需要结合第一步和第二步的结果。最后一步：当停车位变成可用时，系统发出通知。其实可以使用多种不同的方法来完成这些步骤。不同的方法将具有不同的优势和缺点。接下来具体来看：探测停车位一个懒办法是程序写死每个停车场的位置，而不是自动检测停车场。但是如果移动摄像机，探测不同街道上的停车位，就必须再次手动定位停车位置。这样看来这个方法一点都不好，还是要采用自动检测停车位的方法。其中一个想法是识别停车计时器并假设每个计时器旁边都有一个停车位:但是这种方法也有一些问题。首先，并不是每个停车位有一个停车计时器，而且我们最想先找到免费停车位。第二，知道停车计时器的位置还不能告诉我们确切的停车位置点。另一个想法是搭建一个目标检测模型，找到在马路上画的停车位记号，就像下图标识出来的：这种方法也有两个难点。首先，从远处看，停车位线的标志很小，很难看到，增加了识别难度；其次，道路上还有各种交通标记线，比如车道线、人行道斑马线，这也给识别增加了难度。或许还可以换个思维方式，回避一些技术挑战。重新思考停车位到底是什么呢?无非是一个车需要停放一定时间的位置。所以我们可能根本不需要检测停车位，只要检测出长时间不动的车，并假设它们的位置就是停车位。所以，如果我们能检测出汽车，并找出哪些车在视频帧之间没有移动，就可以推断停车位的位置。在图像中检测汽车在视频中检测车辆是一个经典的目标检测问题。有很多机器学习方法可以实现。下面列出了一些最常见的目标检测算法：1、通过 HOG（梯度方向直方图）目标检测器检测出所有的车。这种非深度学习方法运行起来相对较快，但它无法处理汽车在不同方向上的旋转问题。2、通过 CNN（卷积神经网络）目标检测器检测所有的车。这种方法是准确的，但是效率比较低，因为同一张图像必须扫描多次，以检测到所有的汽车。虽然它可以很容易地对不同旋转方向的汽车定向，但是比 HOG 方法需要更多的训练数据。3、使用新的深度学习方法，如 Mask R-CNN