當前位置:首頁 > AI
  • 將大數據轉變為智能數據?利用嵌入式AI就可以

    將大數據轉變為智能數據?利用嵌入式AI就可以

    大數據產生于工業4.0時期。傳感器和可用數據源越來越多,通常要求機器、系統和流程的虛擬視圖更詳細。這自然會增加在整個價值鏈上產生附加值的潛力。但與此同時,有關如何挖掘這種價值的問題不斷出現。畢竟,用于數據處理的系統和架構變得越來越復雜。只有使用相關、優質且有用的數據,也就是智能數據,才能挖掘出相關的經濟潛力。 挑戰 收集所有可能的數據并將其存儲在云中,希望以后對其進行評估、分析和構建使用,這仍然是一種廣泛采用的挖掘數據價值方法,但不是特別有效。從數據中挖掘附加值的潛力仍未得到充分利用,并且以后再尋找解決方案會變得更加復雜。更好的替代方法是盡早考慮確定哪些信息與應用相關,以及可以在數據流的哪個位置提取信息??梢杂眉毣瘮祿泶虮确?,即從整個處理鏈的大數據中提取出智能數據??稍趹脤記Q定哪些AI算法對于單個處理步驟的成功概率較高。這個決定取決于邊界條件,如可用數據、應用類型、可用傳感器模型和有關物理層處理的背景信息。 對于單獨立的理步驟,正確處理和解讀數據對于從傳感器信號生成真正的附加值非常重要。根據應用的不同,正確解讀分立傳感器數據并提取所需的信息可能很困難。時間行為通常會發揮作用,并直接影響所需的信息。此外,還必須經??紤]多個傳感器之間的依賴關系。對于復雜的任務,簡單的閾值和手工確定的邏輯已不足以應對。 AI算法 相比之下,通過AI算法進行數據處理可以自動分析復雜的傳感器數據。通過這種分析,可從數據處理鏈中的數據自動獲得所需的信息,從而獲得附加值。 對于始終屬于AI算法一部分的模型構建,基本上有兩種不同的方法。 一種方法是通過公式、傳感器數據與所需信息之間的顯式關系進行建模。這些方法需要以數學描述的形式提供物理背景信息。這些所謂基于模型的方法將傳感器數據與此背景信息相結合,針對所需信息產生更精確的結果。這里最廣為人知的示例是卡爾曼濾波器。 如果有數據,而沒有可使用數學方程形式描述的背景信息,那么必須選擇所謂的數據驅動方法。這些算法直接從該數據中提取所需的信息。它們包含所有的機器學習方法,包括線性回歸、神經網絡、隨機森林和隱式馬爾可夫模型。 選擇哪種AI算法通常取決于有關應用的現有知識。如果有廣泛的專業知識,AI將發揮更大的支持作用,所使用的算法也很初級。如果沒有專業知識,所使用的AI算法可能要復雜得多。在很多情況下,由應用定義硬件,從而限制AI算法。 嵌入式、邊緣或云實現 包含每單個步驟所需的所有算法的整體數據處理鏈必須以能夠盡可能生成附加值的方式實現。通常在總體層級實現——從具有有限計算資源的小型傳感器,到網關和邊緣計算機,再到大型云計算機。很明顯,這些算法不應只在一個層級上實現。而盡可能接近傳感器實現算法通常會更有利。通過這種方式,可以在早期階段對數據進行壓縮和細化,并降低通信和存儲成本。此外,通過早期從數據中提取基本信息,在更高層級開發全局算法就沒那么復雜。在大多數情況下,流分析區域中的算法也有助于避免不必要的數據存儲,由此降低數據傳輸和存儲成本。這些算法只使用每個數據點一次;也就是說,直接提取完整信息,且無需存儲數據。 在終端(例如,嵌入式AI)上處理AI算法需要采用嵌入式處理器,以及模擬和數字外設,用于數據采集、處理、控制和連接。處理器還需要能夠實時捕獲和處理本地數據,以及擁有執行先進的智能AI算法的計算資源。例如,ADI的ADuCM4050基于ARMCortex-M4F架構,提供集成且節能的方法來嵌入AI。 實施嵌入式AI遠遠不止是單純采用微控制器。為了加快設計,許多硅芯片制造商都構建了開發和評估平臺,例如EV-COG-AD4050LZ。這些平臺將微控制器與傳感器和HF收發器等組件結合在一起,使工程師無需深度掌握多種技術,就能探索嵌入式AI。這些平臺可擴展,使得開發人員能夠使用不同的傳感器和其他組件。例如,通過使用EV-GEAR-MEMS1Z擴展板,工程師能夠快速評估不同的MEMS技術,例如,該擴展板中使用的ADXL35x系列(包括ADXL355)提供出色的振動校正、長期可重復性和低噪聲性能,并且尺寸很小。 平臺和擴展板(例如EV-COG-AD4050LZ和EV-GEAR-MEMS1Z)的組合讓工程師能夠基于振動、噪聲和溫度分析來了解結構健康狀況,以及實施機器狀態監控。其他傳感器也可根據需要連接到平臺,以便所使用的AI方法可以通過所謂的多傳感器數據融合來更好地估計當前的情況。這樣,即可使用更好的粒度和更高的概率,對各種運行狀態和故障情況進行分類。通過平臺上的智能信號處理,大數據在本地就變成智能數據,使得只有與應用案例相關的數據才會發送至邊緣或云端。 平臺方法還可以簡化通信,因為擴展板可用于實施不同的無線通信。例如,EV-COG-SMARTMESH1Z具有高可靠性、魯棒性和極低功耗特性,支持適合大量工業應用的6LoWPAN和802.15.4e通信協議。SmartMeshIP網絡由負責采集和中繼數據的無線節點的高度可擴展、自成型多跳Mesh網絡組成。網絡管理器監視和管理網絡性能及安全性,并與主機應用程序交換數據。 特別是對于電池供電的無線狀態監控系統,嵌入式AI可實現完整附加值。通過ADuCM4050中嵌入的AI算法將傳感器數據在本地轉換為智能數據,與直接將傳感器數據傳輸到邊緣或云端相比,數據流更低,因此功耗也更低。 應用 AI算法開發平臺(包括為其開發的AI算法)廣泛應用于機器、系統、結構和過程控制領域,從簡單的異常檢測擴展到復雜的故障診斷。通過集成的加速度計、麥克風和溫度傳感器,可以實現多種功能,例如監測來自各種工業機器和系統的振動和噪音。嵌入式AI可用于檢測過程狀態、軸承或定子的損壞、控制電子設備的故障,甚至是因電子設備損壞而導致的未知系統行為變化。如果預測模型適用于特定的損壞,甚至可以在本地預測這些損壞。通過這種方法,可以在早期階段采取維護措施,從而避免不必要的基于損壞的故障。如果不存在預測模型,平臺還可以幫助學科問題專家不斷了解機器的行為,并隨著時間的推移,得出一個全面的機器模型用于預測維護。 理想情況下,通過相應的本地數據分析,嵌入式AI算法應該能夠確定哪些傳感器與各自的應用相關,以及哪種算法最適合它。這意味著平臺具有智能可擴展性。目前,學術專家仍然必須為各自的應用找到理想算法,盡管只需對各種機器狀態監控應用進行很少的實施工作,即可擴展AI算法。 嵌入式AI還應對數據的質量作出決定,如果數據質量不佳,就為傳感器和整個信號處理找到并進行相應設置。如果采用多種不同的傳感器模式進行融合,則使用AI算法可彌補某些傳感器和方法的不足。通過這種方式,可提高數據質量和系統可靠性。如果傳感器被AI算法劃分為與應用不太相關,將相應地控制其數據流。 ADI的開放式COG平臺包含可免費使用的軟件開發套件以及許多硬件和軟件示例項目,用于加速原型創建、促進開發并實現最初的想法。通過多傳感器數據融合(EV-GEAR-MEMS1Z)和嵌入式AI(EV-COG-AD4050LZ),可創建穩健可靠的無線智能傳感器Mesh網絡(SMARTMESH1Z)。 DzianisLukashevich是ADI公司的平臺和解決方案總監。他主要關注大趨勢、新興技術、完整解決方案,以及塑造行業未來,并在廣闊的市場中變革ADI業務的新商業模式。DzianisLukashevich于2012年加入德國慕尼黑的ADI銷售與營銷部。他在2005年獲得慕尼黑工業大學電氣工程博士學位,2016年獲得華威商學院工商管理碩士學位。 FelixSawo于2005年獲得德國伊梅諾科技大學機械電子理學碩士學位,2009年獲得卡爾斯魯厄理工學院計算機科學博士學位。畢業之后,他在弗勞恩霍夫協會光電、系統技術和圖像處理研究所(IOSB)擔任科學家,開發機器診斷算法和系統。自2011年起,他一直擔任KnowTIon的首席執行官,專注于傳感器融合和自動數據分析的算法開發。

    時間:2020-10-22 關鍵詞: AI 大數據 嵌入式ai

  • 寧暢AI服務器X640 首登MLPerf 斬獲30項世界第一

    寧暢AI服務器X640 首登MLPerf 斬獲30項世界第一

    10月22日,AI基準性能評測平臺MLPerf官網顯示,寧暢信息產業(北京)有限公司(以下簡稱“寧暢”)搭載NVIDIA T4_/A100 GPU卡的Nettrix X640 G30 AI服務器,在ResNet、BERT、DLRM等基準測試中取得30項世界第一成績。 據報道,MLPerf是用于衡量AI、邊緣計算等設備性能的基準測試平臺,由云服務廠商、OEM廠商、大學、軟件公司等超14個組織、50余家知名IT企業共同驅動。該基準測試包括可代表生產級別的測試用例,測試結果在行業內具有較高權威性。 同配置測試獲16項世界第一 寧暢工程師介紹,參加MLPerf Inference(推理)基準測試的X640 G30 AI服務器,最高可支持10張NVIDIA A100 PCIe卡或21張NVIDIA T4 PCIe卡,堪稱“性能猛獸”。 圖說:寧暢人工智能服務器X640 G30 對比行業同配置AI服務器,X640 G30搭載四張A100 GPU卡的情況下,在Resnet50、SSD、RNN-T、BERT、DLRM等10項測試中分數值取得世界第一;搭載16張T4 GPU卡配置的情況下,X640 G30打破六項世界紀錄,性能一騎絕塵。 圖說:16卡配置X640 G30部分測試分數對比圖 相同配置下取得第一的MLPerf分數,意味著X640 G30 在圖像分類、目標檢測、醫學影像、翻譯、推薦、自然語言處理等AI應用場景中有更好性能表現,可為用戶帶來多高價值。 將多卡性能發揮到極致 AI服務器所能支持異構計算GPU卡數量,是決定其AI吞吐量的首要因素。依托團隊10余年行業經驗,寧暢率先在4U標準機箱中實現21張GPU卡配置,將多GPU卡性能優勢發揮到極致。 搭配21張T4 GPU卡的X640 G30,在圖像分類、語義識別等眾多AI基準測試中,超越搭配20張T4 GPU卡配置的服務器,測試分數斬獲14項世界第一。 圖說:21卡配置X640 G30 MLPerf測試成績表 不僅多GPU卡的性能優越,在單GPU卡平均性能方面(單卡平均性能=整機測試結果/搭載GPU卡個數),橫向比較13家服務器廠商提交MLPerf 的53個配置測試結果顯示,X640 G30服務器平均單卡性能獲得11項第一。 圖說:X640 G30平均單卡測試分數對比 寧暢工程師表示,寧暢服務器不僅在MLPerf平臺取得多項世界第一成績,今年早先時候寧暢雙路服務器R620 G30,曾在反映服務器性能的SPEC CPU2017測試中,刷新24項世界紀錄。 世界紀錄的背后,是寧暢工程師為用戶提供更優性價比產品,將CPU、GPU等服務器核心部件性能發揮到極致,所做的不懈努力。通過提供硬件、軟件等定制化服務,寧暢服務器將有效降低用戶TCO(總體擁有成本)。

    時間:2020-10-22 關鍵詞: 服務器 寧暢 AI

  • 機器人動作不協調,到底是哪里出了問題?

    時間:2020-10-22 關鍵詞: 電機控制器 AI

  • 他,她,他,它?深夜AI小酒館你所不知道的秘密

    本文來源:腦極體

    時間:2020-10-22 關鍵詞: 人工智能 AI

  • 行業最高質量AI數據如何煉成?揭秘云測數據的取勝之法

    本文來源:智能相對論 AI加速落地的大背景下,作為人工智能產業落地重要的環節,AI數據標注越來越受到業界的關注,并在發生著很大的變化。 不久前,數據標注領域的頭部企業云測數據首次對外發布了一項標準,其AI數據項目的最高交付精準度達到了99.99%,這是一個新的行業紀錄。對此,有自媒體“曾響鈴”評論認為,AI數據標注已經由“勞動密集”進入“技能密集”時代。 在AI數據產業中,數據精準度=驗收合格數量/全部數量,這意味極高的精準度不僅要滿足一些客觀標準,還需要與AI項目方的需求深度契合,通過基于需求的驗收過程。 事實上,對AI數據標注這種與制造業在很多地方相似的產業而言,更高的精準度的打造過程,就如同制造業的“精益制造”一樣,在多個方面有著發展方式的契合,只不過一個交付數據服務,一個產出實體產品。 這種契合,從行業頭部企業的動作看,包括四個方面。 業務平臺:應對復雜的AI數據交接和作業,出現線上自動化“流水線” 制造業的精益制造首先是“流水線”的自動化、智能化升級,引入更多精密的工具或機械,為產品的精益打磨提供了生產環境基礎。 數據標注也類似,粗放式的業務平臺越來越無法承接復雜的AI數據交接和作業,在這種背景下,線上的自動化“流水線”開始出現。 以往,數據標注過程的“線下”痕跡濃厚,尤其是數據導入和導出,硬碟拷貝、交接的“原始模式”不時出現。 為了提升效率和安全,做到短時間無縫對接,以云測數據為代表的企業探索出線上“流水線”業務平臺化模式。具體來說,就是根據AI企業的自身數據處理流程,完成標準化API接口的流程嵌入,數據在線上接入,完成作業后從線上輸出,中間有模板化的任務創建與責任安排,支持不同標注類型和標注方法。 這個過程,對應到制造業,其實就是“物料進入、找到眾多產線中合適的那一條并安排好生產工人、產品輸出”的過程。在線上,數據標注已經做到了數據進入、標注、交付的云上無縫連接過程。 這其中,對數據標注“精益制造”價值最為明顯的可能是“生產工具”的優化,工具能力的提升,大幅提升了數據標注的效率和精準度,這就好比流水線上功能豐富的自動化機械臂能夠幫助企業大大提升效率和質量一樣。 以云測數據為代表的企業開發的工具為案例,目前來看,工具對數據標注的價值有這三個體現: 一是直接的操作輔助,例如對人臉進行26點、54點、96點、206點的人臉關鍵點標注、貼合度在3像素以內的特定任務關鍵點追蹤,這使得標注員的操作能夠更加精細化,且擁有不錯的效率。 二是特殊數據的操作輔助,例如自動駕駛中激光雷達形成的3D點云數據不同于攝像頭形成的2D圖像數據,標注起來更有難度也更可能出現偏差,這時候,融合標注工具(把3D點云數據和2D圖像數據結合在一起對照)的價值就體現出來。 三是數據標注的糾錯保障,這類似于“精益制造”中人工質檢前的機器自動質檢,在數據標注過程中,工具根據AI項目需求設定查錯規則,保障標注的精準度(例如,一個三米高的物體標注為人體就錯了) 當然,工具質檢只是一種輔助,在數據標注的“精益制造”過程中,人工質檢(抽檢)同樣必不可少。云測數據不僅在標注流程上實現了正規化和科學化,設計了從創建任務、分配任務、標注流轉,還完善了了從質檢/抽檢環節到最后的驗收的管理流程。 數據作業:應對AI落地的深度需求,出現“數據工藝”般的精細化作業 生產工藝是“精益制造”的核心之一,工藝越好,產品往往更為優質,也更掌握市場的話語權。在“流水線”生產環境基礎上,隨著AI落地需求的加深,AI數據標注開始出現可以稱之為“數據工藝”的類似精細化作業過程,99.99%的精準度本身就是“數據工藝”的結果。 在云測數據的日常作業中,可以發現很多這種“數據工藝”般的做法,例如更豐富的數據標注類型,“線段”這種看起來簡單的標注對象也分出了折線、曲線、貝塞爾曲線等。 此外,如同制造業不斷積累工藝經驗,逐步提升工藝水準生產出更高等級的產品一樣,數據標注也存在一個經驗積累的過程來提升“數據工藝”水準,例如,工業中的大量看起來差不多的零件的標注,做到更細節層面才能區分出兩個型號類似的螺絲;零售行業大量相似的SKU,需要從品牌、標簽等多種細化角度來標注,幫助算法識別。 總的看來,對AI數據的復雜需求是促使數據標注朝著“數據工藝”方向發展的直接原因。 當下的AI數據呈現三個特征,一是由于AI產品落地場景的復雜性導致數據場景需求的多元化,如光線強度、拍攝角度、噪聲要求、室內室外等;二是同類數據表現出樣本多樣性,僅就聲音的數據,可能就包括年齡、性別、口音等差別;三是針對同一應用目標的數據多維化,例如智能駕駛就可能同時需要攝像頭、激光雷達、超聲波雷達等不同傳感器產生的數據。 很顯然,在這種背景下,AI發展初期那種直接應用或者購買成品“數據集”的做法行不通了,它們可以幫助算法快速成型,但卻難以支撐更多樣化的AI落地需求。 于是,“數據工藝”般的精細化作業對數據標注的需求自然而然就超出了單純數據標注的業務范疇,必然要整合上游數據采集這個關鍵環節??梢钥吹?,以云測數據為代表的企業都在大力提升場景化數據采集的能力。幫助客戶還原落地場景所需要的AI數據,從源頭保證AI數據的質量,才能更好的應用于AI產業化的深度落地。 或許正因為這樣的原因,可以看到,云測數據在發布了最高項目交付99.99%精準度的同時,為了貼合實際場景、幫助更多行業實現“AI產品更快更好的落地”,?云測數據結合自身的服務能力積累和行業專業性,還推出了智慧城市、智能家居、智能駕駛、智慧金融四個場景下的“AI訓練數據服務解決方案”。 在這些整合了數據采集與標注的場景AI數據解決方案中,可以發現更明顯的“數據工藝”痕跡。 例如,在戶外場景中,攝像頭囊括了大量的行人、機動車、自行車等道路場景數據,但智慧城市的AI應用可能需要識別人流檢測、突發事件等長尾場景數據。 在云測數據的智慧城市解決方案中,就通過行業首創的數據場景實驗室來還原搭建真實場景,用于采集長尾場景數據,例如多種不同光線下的人員檢測、危險動作檢測等。 類似的還有智能駕駛場景。智能駕駛的車外環境感知需要大量真實場景數據用于算法訓練,為了確保行駛安全,需要覆蓋非常多的長尾場景數據,例如舉傘的行人、突然出現的寵物等,疫情發生后,帶口罩的行人也是另一種車外環境感知所需要的“場景AI數據”。 從細節上滿足更復雜深度的AI數據需求,提供獨特的、無法替代的AI數據獲取能力,將幫助數據標注持續獲得更高的產業地位。 人力建設:應對高精細化的“數據工藝”,出現專業的“人工智能訓練師” “流水線”的生產基礎加上更高的生產工藝之后,“精益制造”考驗的還有產業工人是否能將工藝實現的能力,在產業升級的浪潮下,產業工人的素質成為“精益制造”的關鍵因素之一。 映射到數據標注,為了應對高精細化的“數據工藝”,專業的“人工智能訓練師”開始出現,這表現在三個方面。 一是體系化的人才培訓,整體技能專業性、領域知識專業性、人員素養等都在提升。 以云測數據為例,云測數據不僅提供崗前培訓,還帶有員工技能培訓、職能培訓、行業領域知識、責任培訓、標注內容的培訓,以及一對一的持續交流來提升員工的能力;與此同時,配備在線化、體系化的打分系統來評估員工的能力。 過去,數據標注那種隨便在街上、學校里拉一些人,只要認得圖片、懂基本的語法拼寫就開始干活的做法,已經不再具備任何競爭力了。 二是匹配不同需求的“人才梯隊”開始出現。 這一點,如同“精益制造”里更復雜產品配以技藝手段更高的工人一樣,在數據標注領域,出現了一些數據需求上的分化,倒逼企業培養某種意義上的“人才梯隊”。 典型的如醫療、法律、金融、家居等高度專業化的領域中,不論是CV還是NLP,人工智能訓練師需要非常專業,才能進行正確的數據標注與解讀,這甚至不是光有培訓就能解決的。云測數據在NLP領域就吸納了一些金融及家居行業的專才來提升對應領域的數據標注能力,這也意味著數據標注產業開始對人才來源口徑有了一些要求,不再是泛化的人群。 三是大量的操作細節和專業性不斷疊加。 產業工人變成“老師傅”,一方面來源于苛刻的工作要求,另一方面來自不斷的專業經驗積累。在數據標注這里也是如此。 粗放式管理下,傳統數據標注行業有一種“混亂”的氣質,草臺班子稀里糊涂完成了大量的數據標注工作。但現在,高精準度的大旗下,數據服務團隊的專業化能力被嚴格要求,在云測數據,智能客服單個場景的意圖標注就分為10-20個大類、上百個子類(表達同一個意圖,算法面臨的用戶可能有不同的表達方式,故越細分越好),根據業務需求可能還會有進一步的標注細分。 這倒逼數據標注員提升對話意圖的判斷能力,需要對句子進行泛化、以不同的描述方式重組或擴充句式、標簽(比如,用戶只是單純口誤了,或者夾雜了方言,數據都需要標注清晰,供AI算法去學習)。 在整體素質不斷提升的基礎上,人工智能訓練師呈現出更多樣化的梯度,更多優質的標注人才將脫穎而出。 需求交互:應對縱深的項目需求,出現深度交互的專業化服務模式 最后,“精益制造”階段的制造業,往往伴隨訂單方與生產方的深度溝通,需求方深度介入生產制造,才能生產出更符合初衷的產品。 這其實是支撐“精益制造”的專業化服務模式,在數據標注領域也是如此。為了明確AI數據標準,云測數據這種追求高精準度的企業早已要求項目經理與AI項目方在項目開展前反復溝通需求,配合行業培訓師對標注員們進行前期培訓,并在標注作業過程中保持實時的溝通和反饋。 這種反復溝通中,涉及到大量影響最終數據結果精準度的細節,例如,CV項目中,什么樣的光線要標注和定義為“強光線”?不同需求方的理解可能并不一樣。 除了明確數據標準的溝通,在作業方式上,數據標注現在也更為靈活。 典型的是金融場景中,由于行業的特殊性,尤其是對數據安全的極高要求,數據標注企業除了要提供了一套針對金融行業深度結合企業自身業務流程的AI數據服務方案,一些時候還必須改變部署與作業的物理方式,例如云測數據提供的私有化部署和駐場作業服務,在這種服務方式下,數據標注“企業服務”的本質也更明顯了一些。 值得強調的是,在數據隱私安全方面,云測數據設置了一系列嚴格措施。其中一條核心原則就是數據絕不復用,當數據合格交付后從不留底,會清毀相關數據;其二,所有和云測數據進行數據采集的用戶都會簽訂數據授權協議,從來源上確保企業用于訓練的數據合法合規;同時,云測數據內部還設定了數據隔離、質量保障等一系列數據安全流程和技術。 總而言之,AI加速落地催生出更為復雜的AI數據需求,使得本來與制造業在過程上有些類似的AI數據標注也走入屬于產業自身的“精益制造”過程,在生產環境、作業標準、人才建設以及服務模式上都有了很大的轉變。而云測數據帶來的這種轉變,不只是帶來了更高的精準度、更高質量的AI數據,也使得數據標注產業在AI時代的產業鏈條中作用愈加突出。數據標注就像是信息世界的新基建,只有基石的建設穩妥了,AI產業的高樓才能拔地而起,才能加速人工智能更好的到來。 ~END~ 免責聲明:本文內容由21ic獲得授權后發布,版權歸原作者所有,本平臺僅提供信息存儲服務。文章僅代表作者個人觀點,不代表本平臺立場,如有問題,請聯系我們,謝謝!

    時間:2020-10-22 關鍵詞: 云計算 AI 大數據

  • 直擊2020世界VR產業大會:華為端到端助力,雙G云VR智啟新生活

    5G網絡加速覆蓋,“雙千兆”城市建設深入推進,疫情催化文娛產業線上轉移,讓VR產業在2020年迎來發展大年。10月19日-20日,2020世界VR產業大會在江西南昌盛大舉行,吸引了包括電信運營商、ICT服務提供商、內容制作商、終端設備商在內的VR全產業鏈玩家,以及政府領導、VR領域知名專家、VR龍頭企業代表等各界人士參與,共襄締造了一場全球VR產業的超級盛宴。   大會來到第三屆后,今年的主題緊扣2020年大環境,被設定為“VR讓世界更精彩-育新機 開新局”。從大會議題和展出內容看,政、產、研、用齊聚一堂,聚焦前沿技術,探討發展之道,展示最新成果、推動應用普及,搭建交流平臺、匯聚要素資源,處處體現出“育新機開新局”之意!   新機在哪里?從展位面積最大、展出內容最豐富的三大運營商看,雙G+云VR成為主旋律。無論是面向公眾的VR直播、VR影視、VR閱讀、VR游戲,還是面向政企行業的5G+VR黨建培訓、5G+VR智慧教育、5G+MR智慧醫院、5G+AR智能協作,運營商的千兆5G和千兆光網都已成為VR產業發展的“高速公路”,推動云VR/AR產品及應用加快滲透千行百業各個場景。   應用大爆發的背后,是VR技術方案的不斷進步。以能夠提供全面VR解決方案、端到端助力VR產業發展的華為為例,今年在“雙G云VR 智享新生活”的參展主題下,該公司面向政府/產業、行業、公眾各個領域帶來了華為·視頻3.0+加持下的更加豐富和完善的VR解決方案,不僅讓VR產業這一年來的進步肉眼可見,也打開了VR產業“在危機中育新機、于變局中開新局”的未來畫卷。 雙千兆網絡加速云VR技術方案日益完善 自2019年5G元年之后,突如其來的新冠疫情在2020年非但沒有遲滯全國“雙千兆”城市的建設,反而加速了千兆5G和千兆光網在各省市的推進。在稍早前的 2020中國國際信息通信展上,工信部副部長劉烈宏介紹,我國5G已建成開通5G的基站超過了60萬座,5G終端連接數超過了1.5億。同期工信部新聞發言人、信息通信發展司司長聞庫介紹,中國已在超過300個城市部署千兆寬帶接入網絡,千兆光纖覆蓋用戶超過了8000萬戶。   早在去年的世界VR產業大會上,電信運營商就對云VR寄予厚望,提出要抓住寬管道與大視頻互為所需的發展契機,大力推進雙G+云VR模式的發展。今年,隨著雙G網絡進一步準備就緒,云VR模式更是成為無處不在的主流,背后的云VR技術方案也日趨完善。這其中最顯著的表征,便是本屆大會增設的云峰會充分采用了XR影像技術、VR直播拍攝技術、全息影像技術和AI技術,呈現了一個集云會場、AR特效、全息投影、AI虛擬主持人等為一體的虛擬與現實深度交融的云端現場。   作為運營商雙G網絡建設及業務發展最親密的伙伴,華為這次帶來了云VR全光承載、FTTR全光Wi-Fi、云VR高密接入、超高清智慧場館、2D轉3D、8K FOV、在線影院等使能云VR的端到端解決方案,全面而直觀地展示了支撐眾多VR應用在政府/產業、行業及公眾等全領域落地背后日趨完善的云VR技術方案。   在內容消費側 ,針對VR用戶對極致沉浸式體驗的訴求,華為以云VR全光承載、FTTR全光Wi-Fi、云VR高密接入給出了解決方案。利用光纖網絡的獨享管道、超大容量、超低時延、超高可靠、SLA可視可管等特性,全光承載可實現一跳入云,以確定性網絡確保極致VR體驗。進一步通過FTTR實現光纖到房間,則可打造千兆全光家庭,實現千兆Wi-Fi極致體驗,保證每一個房間都能盡享最佳VR體驗。再進一步通過高密接入方案將光纖延伸至每一個VR終端,則可解決諸如VR教室、VR培訓、VR直播等高密場景下人手一臺VR設備對網絡質量的苛刻要求,保障每一個人的極致體驗。   在內容生產側 ,華為今年全新升級的視頻3.0+依托于華為在傳輸和編解等領域的核心技術積累,在去年同期首次提出用VR三層內容架構繁榮VR內容的基礎上,進一步升級了自由視角、2D轉3D、8K FOV、超分辨等核心能力和全新體驗;它們與超高清智慧場館結合,構筑了超高清/VR內容常態化供給的堅實底座。生產側的提質增效,使得本屆展會上無論是三大運營商還是華為自己的展臺,都涌現了更多的VR內容及應用。   一言以蔽之,無論是全光承載、FTTR全光Wi-Fi、云VR高密接入等網絡基礎創新,還是超高清智慧場館、8K FOV、2D轉3D、在線影院等使能VR、空間視頻常態化生產、創作及傳播的內容供給層面,云VR技術方案都已有能力匹配,為下一階段的規?;瘡椭萍巴茝V做好了充分準備。 華為端到端助力VR產業發展關鍵要素齊備 由上可見,千呼萬喚等來了雙G網絡的云VR想要騰飛,其發展所需的關鍵要素不只是網絡管道和云端計算等純技術層面,還包括重中之重的行業應用落地、常態化內容供給,以及將VR內容呈現給大量最終用戶的終端設備——可以說終端、管道、云端計算、內容、生態一個都不能少。   向以端到端助力VR產業發展為己任的華為,本次大會上除一如既往地提供橫跨端、邊、管、云的端到端支撐技術,并在內容和生態維度展現獨到的使能技術及牽引方案外,相比上屆還加碼展出了面向行業的華為VR/AR應用,包括商臻和河圖;面向公眾的華為VR/AR應用,包括VR+影院、VR+射擊、VR+拳擊/虛擬社交、VR+健身、VR+閱讀、VR+音樂,AR+娛樂、AR+工具、AR+健康、AR+游戲,以及支持快速上手制作這些AR應用的AR Engine/VR Engine、AR Reality Studio等,并設置了專門的VR Glass促銷區。   “自己的降落傘自己先跳”,華為這一系列集合應用/內容、終端設備及云VR技術方案的具體業務體驗,以讓人看得見、摸得著的成果,一定程度證明VR產業發展的關鍵要素已經齊備。這其中,最能夠體現華為端到端能力、展現VR產業發展所需要素的可能要數華為全新推出的商臻——它在疫情之下開創了一個云VR行業應用的新樣板。   華為商臻 對大多數人來說可能是一個新面孔,其定位于企業數字化展示的自助使能平臺,通過5G+Cloud XR助力企業數字化轉型,讓展示與溝通更簡單。據介紹,商臻可幫助千行百業營銷展示和作業能力升級,廣泛適用于企業數字化展示、云上展會、全視頻互動交流等場景。借助VR全景攝像頭、VR頭顯、手機/平板等設備,依托百兆級的5G/固網專線,企業基于商臻云作業平臺可以像搭積木一樣搭建線上展臺,實現云上展示、VR遠程直播、全視頻互動交流、AR智能協作等場景體驗,無縫彌合虛擬與現實。   透過商臻云作業平臺的運作可以發現,終端、管道、云端計算、內容等VR產業發展關鍵要素在這里大集結,呈現了一個典型的行業VR應用所需要的產業生態。 顯然,這背后離不開華為端到端云VR技術方案的支撐,也與華為長期開放聚合端到端生態合作伙伴密切相關。這樣的樣板一旦在千行百業不同場景推廣開來,必將助推整個VR產業“開新局”! VR/AR應用大爆發雙G云VR智啟新生活 就在行業應用深化發展的同時,VR在大眾領域的創新應用也一日千里。雙G的加速覆蓋,新冠疫情的持續催化,使得今年來線下文娛產業大量向線上轉移,紛紛借助超高清視頻、VR全景視頻等新技術打造新內容,提供新體驗,開辟新商業模式。   實際上早在去年同期舉行的世界VR產業大會上,超高清視頻以及VR產業界就看準了雙G+云VR融合發展的巨大潛力。彼時正是“鄰居”韓國5G+VR的狂飆突進之際,產業各界看到借助運營商千兆5G網絡消除大眾使用VR門檻的云VR模式,是推動VR產業“破圈”發展的最佳選擇。華為也創造性提出可繁榮云VR內容供給的三層內容架構——包括2D轉3D做海量內容托底、為VR應用增加社交屬性、開展周期性常態化VR直播,全力使能運營商云VR業務及整個VR產業發展。   此去經年,本屆大會無論是三大運營商還是華為展臺,VR/AR應用大爆發的狀態都肉眼可見,極大豐富和提升了公眾的業務體驗。這其中,除了VR智慧教育、MR智慧醫院、VR智能工廠、VR駕培駕考等行業應用,以及上面提及的VR閱讀、VR游戲、VR音樂等大量面向公眾的應用外,得益于VR三層內容架構的落地推進,以及超高清智慧場館支撐下的VR直播常態化供應,各家的VR影院內也已匯聚了大量VR及空間視頻資源,融合5G套餐逐步與更多用戶見面。   暢游其中,你會發現: 中國電信天翼云VR平臺中的3D版央視、衛視、少兒等電視頻道,讓原本只有2D效果的電視節目呈現iMAX影院般的3D巨幕效果;也會發現中國移動咪咕視頻和移動云VR中的云游珠峰、云游青海茶卡鹽湖等5G+VR慢直播;還會發現中國聯通5G沃視頻中的男乒世界杯、斗魚黃金大獎賽、VR演唱會等體育、電競、文娛直播,盡享多屏多視角、自由視角、VR視角帶來的極致自由和沉浸體驗;更有華為近期攜手4K花園打造的多場4K/8K VR演唱會、聯合《湖南衛視》舞蹈風暴節目組打造的360度自由視角的“風暴時刻”及8K VR內容……總之在產業各方的協同努力下,云VR的內容、體驗已經走出那個“屈指可數”、“馬馬虎虎”的階段,雙G云VR的新視界業已打開,新生活已經開啟! 綜上,用“在危機中育新機、于變局中開新局”來描繪2020世界VR產業大會可能再合適不過。恰如本屆大會新增全面采用VR/AR技術直播的云峰會、龍頭企業持續沉淀完善端到端云VR技術方案、產業各界更加同頻共振打造共贏生態一樣,超高清/VR產業與各行各業今年以來都在積極轉型和嬗變,積極尋找融會貫通、跨越發展的新機遇、新動能!相信在天時地利人和的大環境下,中國VR產業必將以2020世界VR產業大會為新起點,培育新機遇,開創新局面,真正引領世界VR產業發展! 免責聲明:本文內容由21ic獲得授權后發布,版權歸原作者所有,本平臺僅提供信息存儲服務。文章僅代表作者個人觀點,不代表本平臺立場,如有問題,請聯系我們,謝謝!

    時間:2020-10-22 關鍵詞: 5G 智能穿戴 AI

  • 智慧交通:交通超腦讓出行變得更加智慧

    智慧交通:交通超腦讓出行變得更加智慧

    當今,隨著物聯網、大數據、云計算、人工智能等新一代信息技術的快速發展,“交通超腦”大數據平臺因運而生,并且大大提升了交通的運行效率,給我們提供了更加智能的交通服務。 在合肥市交警支隊交通指揮中心大屏幕上,顯示著“交通擁堵指數”“道路擁堵排行”“當前在途車輛”等信息,這些是對監控捕獲信息深度分析后獲得的。 “交通超腦”于2019年10月投入使用,包括1個數據接入平臺、1個超腦中樞、7大應用子系統。其中,最為“硬核”的智能語音指揮調度平臺,基于語音識別、語音合成、語義理解等核心AI技術,方便交警收集車流量數據、處理交通事故等。 目前,系統監測范圍已覆蓋合肥市1332個路口、649條道路,日均接入互聯網路況數據1.5億條。通過分析挖掘,已累計完成70個重點片區治理,44個片區暢通率得到顯著提升。通過事件仿真技術,可以在10秒內預測5-30分鐘之后的區域交通態勢,平均每2分鐘就可以完成11個路口的信號協調聯動。 此外,“交通超腦”還可以智能調控合肥市市105套高架限行系統,實時優化周邊信號燈配時方案,并對施工占道、大型活動安保、惡劣天氣等事件進行分析和預判。 “交通超腦”展示的數字化交通管理是合肥市數據惠民的縮影。合肥市于2017年成立數據資源工作領導小組,并在全省率先成立數據資源局、組建大數據資產運營有限公司,與18家行業領軍企業簽訂“智慧城市”建設戰略合作框架協議。 “打造‘城市大腦’的初衷,是讓城市的各個‘器官’協同工作,從而實現城市治理能力智能化、集約化、人性化?!焙戏适袛祿Y源局應用推進處處長吳波表示,經過探索創新,市民享受到更為便捷舒適的城市服務。同時,也讓城市管理者更加科學化、民主化地進行決策。 未來,合肥“智慧城市”建設將繼續沿著健康、精細、安全的道路,實現高質量發展。

    時間:2020-10-21 關鍵詞: 智慧交通 AI 大數據

  • 分享幾個有創意的機器人

    關注、星標公眾號,不錯過精彩內容 素材來源:電路城 機器人迅速發展,隨之涌現出了一大堆創意機器人設計,魔方機器人,尋跡機器人,六足蟲蟲機器人……電路城給你十個創意機器人陪你玩耍,一起去看看吧! 1、奧豆機器人結構圖+代碼+裝配教程 奧托的制作和設計是受LMR兩足機器人鮑勃的啟發,他的編程代碼是來自另外的一個名為Zowi的開源兩足機器人。奧豆是一款兼容于Arduino,且可以3D打印的機器人。它的獨特之處在于他組裝后的體積很?。?1cm x 7cm x12cm),而且他的集成組件和公式都是很簡單的。利用現成的部件和3D打印機,只需要做簡單的電路連接(幾乎不需要焊接)和懂得基本編碼技巧,你就可以在短短的兩個小時內做出你可愛的朋友-奧豆! 2、魔方機器人-華為研電賽一等獎作品 軟件方面:1.移植了Kociemba算法。Kociemba算法是當今世界上復原魔方步數最少的算法,最長步數只有21步,并且其解算時間為ms級。 2.顏色識別方面應用機器學習領域中一種比較成熟的分類算法完成顏色的分類,顏色識別基本不會出錯,識別率極高。 3.對來自Kociemba算法的復原指令進行了優化處理,使用深度優化搜索算法,優化率達23%,縮短了整體復原時間。 我認為如果你想學習制作屬于自己的機器人,魔方機器人應該是最佳選擇,因為你既可以學到硬件的設計,還可以學到控制算法。 3、【創意設計】六足蟲蟲機器人資料分享 新版蟲蟲用3個微型舵機的協調擺動來行走,通過紅外測距來感知環境,還能夠感知周圍的光線亮度。另外,新版蟲蟲的中樞依舊是一顆強大的Beetle控制器和擴展板,而且是利用簡單易用的Arduino來編程。所有這些功能讓蟲蟲的行走更加復雜,互動更加豐富??梢詫崿F前進、后退、避障拐彎、巡光等功能。簡單的組裝讓你了解最基本的機器人原理和智能控制。喜歡DIY的用戶,還可以在原有代碼的基礎上改造出自己的互動模式。 4、(恩智浦)低功耗藍牙控制機器人參考設計 Bluetooth? Low Energy (BLE)控制的機器人參考設計采用FRDM-KW40板和Pololu Zumo機器人開發,并且可以通過手機APP控制。BLE控制的機器人基于Kinetis KW40Z片上系統(SOC),該系統包括一個ARM? Cortex? M0+處理器,并配有面向BLE和802.15.4的2.4 GHz無線電。它采用HID over GATT配置文件實施,用作人機接口設備。該軟件提供的特性包括:BLE數據到手機app的傳輸、電機控制和電池監測,等等。 5、無人遙控水下機器人供電設計方案 無人遙控水下機器人主要有,有纜遙控水下機器人(簡稱ROV)和無纜遙控水下機器人(簡稱AUV)兩種,ROV是從水面進行控制,帶有推進器、水下電視、水下機械手和其他作業工具,能夠在三維水域運動,由水面提供能源的裝置。水面與ROV之間通過數百米甚至數千米的線纜連接供電,為了減小線纜上的損耗,必須減小其電流,這就要求ROV輸入電壓盡量高,最好(300-400)V,以目前的DC48V/(3000-4000)W需求為例,傳統的磚模塊電源很難滿足高效率及小體積方面的要求。Vicor針對水下機器人對體積、效率及大功率的特殊要求提供了有效的解決方案。 6、坦克循跡機器人超全單片機智能小車程序資料+坦克循跡紅外遙控+原理圖260M的資料,無線智能小車,資料很詳細,有視頻有程序,感興趣的千萬不要錯過了,免費分享一大波! 7、【大賽作品】激光測距機器人設計測距采用激光測距,通過對激光束進行幅度調制并測定調制光往返測線一次所產生的相位延遲,再根據調制光的波長,換算此相位延遲所代表的距離,測量距離是超聲波與紅外線的10倍以上,測量精度遠超超聲波與紅外線,最高能達到1mm的精確度…… 8、超酷溜冰機器人設計在本系統中,采用意法半導體公司的STM32F407VGT6單片機作為智能小車的核心控制器。使用電磁感應圈感應磁場的的尋跡方案,采用MMA7660傳感器和單軸陀螺儀作為車速檢測傳感器,使小車可以直立行走。以脈寬調制(PWM)控制方式控制直流電機和舵機,利用自適應控制PID算法,對小車的轉向和速度進行控制修正,從而完成傳感器信號采集處理、控制算法裁決及執行、直流電機驅動控制。 9、(3D打?。┊嫷皺C器人制作開源設計本文介紹畫蛋機eggbot的制作,因前篇篇幅有限,所以發起新話題,詳細介紹一下畫蛋機eggbot的制作。你現在有3D打印機么?有42步進電機么?有arduino mega2560么?如果你有,和我一起來制作畫蛋機eggbot吧 制作難點:eggbot的主控為EiBotBoard,這個電路板在其他地區是買不到的,只能在eggbot官網進行購買,目前為V2.0版本。在查閱大量資料之后,我們找到了一個eggbot的衍生版SphereBot。SphereBot采用arduino uno和電機驅動A4983,并提供了firmware和簡單實用的操作軟件,這為我們制作畫蛋機提供了方便,結合3D打印機的制作經驗,我們采用arduino mega2560+2個A4988組合作為電子控制部分。OK,準備好,我們開始吧?。?! 10、基于WIFI的無線偵查機器人本設計是基于wifi技術的機器人,機器人的動作可以通過電腦操控,并實時地返回高清偵查視頻。該機器人可以在一定范圍內進行偵查,從而避免人員直接進入未知的危險環境之中。本設計主要由無線路由器、攝像頭、機器人主控制器、舵機、電機驅動模塊、電源模塊以及機器人底盤等等構成。另外本設計控制客戶端采用C++ builder 6.0編寫。 地址: https://www.cirmall.com/articles/34673 推薦閱讀: C++中字符編碼的轉換 手把手教你用STM32Trust生成加密固件 ELF相比Hex、Bin文件格式有哪些與眾不同? 關注 微信公眾號『strongerHuang』,后臺回復“1024”查看更多內容,回復“加群”按規則加入技術交流群。 長按前往圖中包含的公眾號關 點分享 點點贊 點在看 免責聲明:本文內容由21ic獲得授權后發布,版權歸原作者所有,本平臺僅提供信息存儲服務。文章僅代表作者個人觀點,不代表本平臺立場,如有問題,請聯系我們,謝謝!

    時間:2020-10-21 關鍵詞: 機器人 AI

  • 算法的算法:人工神經網絡

    在上周的人工神經網絡課程中介紹了機器學習中的支持向量機(SVM:Support Vector Machine)與前饋網絡RBF的之間的聯系,而對于由傳遞函數為線性函數組成的單層網絡的代表自適應線性單元(ADLINE:Adaptive  Linear Element)更是和傳統信號處理中的自適應濾波器相類似。 這些都會讓我們看到神經網絡算法似乎能夠與很多其他學科算法搭起聯系。下面由Matthew P. Burruss的博文中《 Every Machine Learning Algorithm Can Be Represented as a Neural Network》 更是將這個觀點進行了詳細的梳理。 Every Machine Learning Algorithm Can Be Represented as a Neural Network》:https://mc.ai/every-machine-learning-algorithm-can-be-represented-as-a-neural-network-2/#:~:text=Every%20Machine%20Learning%20Algorithm%20Can%20Be%20Represented%20as,cumulated%20with%20the%20creation%20of%20the%20neural%20network. 從1950年代的早期研究開始,機器學習的所有工作似乎都隨著神經網絡的創建而匯聚起來。從Logistic回歸到支持向量機,算法層出不窮,毫不夸張的說,神經網絡成為算法的算法,為機器學習的頂峰。它也從最初不斷嘗試中成為機器學習的通用表達形式。 在這個意義上,它不僅僅簡單的是一個算法,而是一個框架和理念,這也為構建神經網絡提供了更加廣泛的自由空間:比如它包括不同的隱層數量和節點數量、各種形式的激活(傳遞)函數、優化工具、損失函數、網絡類型(卷積、遞歸等)以及一些專用處理層(各種批處理模式、網絡參數隨機丟棄:Dropout等)。 由此,可以將神經網絡從一個固定算法展拓到一個通用觀念,并得到如下有趣的推文:任何機器學習算法,無論是決策樹還是k近鄰,都可以使用神經網絡來表示。 這個概念可以通過下面的一些舉例得到驗證,同樣也可以使用數據進行嚴格的證明。 1.回歸 首先讓我們定義什么是神經網絡:它是一個由輸入層,隱藏層和輸出層組成的體系結構,每一層的節點之間都有連接。信息從輸入層輸入到網絡,然后逐層通過隱層傳遞到輸出層。在層之間傳遞過程中,數據通過線性變換(權重和偏差)和非線性函數(激勵函數)變換。存在很多算法來對網絡中可變參數進行訓練。 1、Logistic回歸簡單定義為標準回歸,每個輸入均具有乘法系數,并添加了附加偏移量(截距),然后經過Signmoid型函數傳遞。這可以通過沒有隱藏層的神經網絡來表示, 結果是通過Sigmoid形式的輸出神經元的多元回歸。 2、通過將輸出神經元激活函數替換為線性激活函數(可以簡單地映射輸出 ,換句話說,它什么都不做),就形成線性回歸。 2.支持向量機 支持向量機(SVM)算法嘗試通過所謂的"核函數技術"將數據投影到新的高維空間中,從而提高數據的線性可分離性。轉換完數據后,算法可在高位空間獲得兩類之間最優的分類超平面。超平面被簡單地定義為數據維度的線性組合,非常像2維空間中的直線和3維空間中的平面。 從這個意義上講,人們可以將SVM算法看作是數據到新空間的投影,然后是 多重回歸。神經網絡的輸出可以通過某種有界輸出函數傳遞,以實現概率結果。 當然,可能需要實施一些限制,例如限制節點之間的連接并固定某些參數,這些更改當然不會脫離"神經網絡"標簽的完整性。也許需要添加更多的層,以確保支持向量機的這種表現能夠達到與實際交易一樣的效果。 3.決策樹 諸如決策樹算法之類的基于樹的算法有些棘手。關于如何構建這種神經網絡的答案在于分析它如何劃分其特征空間。當訓練點遍歷一系列拆分節點時,特征空間將拆分為多個超立方體。在二維示例中,垂直線和水平線創建了正方形。 因此,可以通過更嚴格的激活來模擬沿特征線分割特征空間的類似方式,例如階躍函數,其中輸入是一個值或另一個值-本質上是分隔線。權重和偏差可能需要實施值限制,因此僅用于通過拉伸,收縮和定位來定向分隔線。為了獲得概率結果,可以通過激活函數傳遞結果。 盡管算法的神經網絡表示與實際算法之間存在許多技術差異,但重點是網絡表達的思想相同,并且可以與實際算法相同的策略和性能來解決問題。 也許您不滿意將算法簡單地轉換為神經網絡形式,也許希望看到通用過程可以將所有棘手的算法都進行這種轉換,例如k近鄰算法或樸素貝葉斯算法等,而不是針對每個算法都手工進行轉換。 這種同樣算法轉換的答案就在于通用函數逼近定理,這也是在大量神經網絡工作原理背后的支撐數學原理。它的主要含義是:足夠大的神經網絡可以以任意精度對任何函數建模。 假設有一些函數 代表數據背后的規律:對于每個數據點 , 始終返回等于或非常接近 的值。 建模的目的是找到該內部映射關系 一個有效表示,我們將其記為預測函數 。所有機器學習算法對這個任務的處理方式都大不相同,采用不同用于驗證結果有效的假設條件,并給出具體算法來獲得最優結果 。這些獲得優化結果p(x)的算法,可說從在這些假設條件限制下,利用純粹的數學推導獲得。描述函數如何將目標映射到輸入的函數實際上可以采用任何形式,下面給出幾種典型的情況: 有的時候通過數學推導可以對表達式進行求解。但面對大量待定函數參數,往往需要通過不停的試湊來搜索。但是,神經網絡在尋找 的方式上有些不同。 任何函數都可以由許多類似階梯的部分合理地逼近,劃分的區間步數越多,逼近的精度就越高。 每一個區間都對應神經網絡中的一些節點,即隱層中具有S型激活函數的節點。激活函數本質上是概率階躍函數。實際上每個節點都代表函數 的一個局部。然后,通過系統中的權重和偏差,網絡為特定輸入來激活不同的神經元,使其輸出為1),否則輸出0。于是便可以將不同函數的局部最后合并成整個函數。 這種處理模式不僅對應上面的一維函數有效,在圖像中也觀察到了這種通過激活不同節點以尋找數據中特定的模式。 通用逼近定理已擴展為適用于其他激活函數(如ReLU和神經網絡類型),但原理仍然適用。神經網絡是實現通用逼近定義的最佳表現形式。 相對于通過復雜方程和關系數學形式來描述通用逼近定理,神經網絡則通過構建特殊的網絡結構,并通過訓練數據來獲得結構中的參數。這個過程就好像是通過蠻力記憶將函數存儲在網絡中。這個匯集眾多節點的網絡結構,通過訓練過程來逼近任意函數過程就表現出具有某種聰明特征的智能系統了。 基于以上假設,神經網絡至少可以在理論上構造出一個函數,該函數基本上具有所需的精度(節點數越多,近似值越準確,當然不考慮過擬合的技術性),具有正確結構的神經網絡可以對任何其他機器學習預測函數進行建模,反過來,其他任何機器學習算法,都不能這么說。 神經網絡使用的方法并不是對一些現有的優化模型,比如多項式回歸或者節點系統,只是對少量參數進行優化,它是直接去逼近數據內部所蘊含的規律,而不是基于某種特定的模型來描述數據。這種理念是那些常見到的網絡模型結構與其它機器學習之間最為不同之處。 借助神經網絡的力量以及對深度學習的不斷延伸領域的不斷研究,無論是視頻,聲音,流行病學數據還是兩者之間的任何數據,都將能夠以前所未有的精度來進行建模。神經網絡確實可以被成為算法之算法。 注1:除非另有說明,否則所有圖片均由作者創建。 本文翻譯自Matthew P. Burruss的文章《Every Machine Learning Algorithm Can Be Represented as a Neural Network》 參考:https://towardsdatascience.com/every-machine-learning-algorithm-can-be-represented-as-a-neural-network-82dcdfb627e3 智能車競賽 相關進展 在剛剛過去的第十五屆全國大學生智能汽車競賽中,Infineon公司給予了大力贊助。今天下午, 全國大學生智能汽車競賽 秘書處與 Infineon公司中國區事業部 相關主管人員在清華大學 就 第十六屆智能車競賽合作事宜進行了 深入的討論。 對上屆合作過程中,參賽同學在使用Infineon先進微控制器在車模作品開發過程遇到的硬件和軟件問題進行梳理,并給出了解決方案。 會議進一步拓展了雙方在即將展開的十六屆智能車競賽合作空間。 免責聲明:本文內容由21ic獲得授權后發布,版權歸原作者所有,本平臺僅提供信息存儲服務。文章僅代表作者個人觀點,不代表本平臺立場,如有問題,請聯系我們,謝謝!

    時間:2020-10-21 關鍵詞: 神經網絡 AI

  • 北京PT展,精華都在這里!

    友情提醒:本文圖片較多,請注意流量。 10月16日,為期三天的北京PT展在國家會議中心順利落幕。 PT EXPO,“中國國際信息通信展覽會” (PT=Post and Telecom) 小棗君全程參加了本次PT展,按照慣例,來給大家匯報一下現場情況。 ▉ 華為 首先看看華為的展區。 目前處于風口浪尖的華為,仍然是行業矚目的焦點,參觀人群絡繹不絕。 展區入口,人山人海: 展區內部,水泄不通: 任總提出的5“機”協同,“機”是指機會。 國內5G基站60萬+,覆蓋城市350+,終端1.2億部+: 空間視頻的演示,其實就是360度同步拍攝,然后觀眾可以從各個角度自由觀看: 華為和芒果臺合作的“舞蹈風暴”節目,就展示了這項技術: 5G+AR(增強現實): AGV,就是Automated Guided Vehicle,無人小車: 5G高低頻組網,前天我專門發文介紹過的: 5G高低頻組網,到底是什么意思? F5G(固網5G)和Wi-Fi 6,是華為現在重點推進的方向: 刀片電源,可以簡化現網基站的5G改造: 5G AAU天線,表面采用了航空級材料,手感舒適,比一般材料輕50%: 華為本次一共有兩個展區,主展區都是一些應用為主的展示,我興趣不大,于是,就溜進了以新技術為主的輔展區。 華為強大的算力體系,從算力到算法,從軟件到硬件,都投入了很多資源: 華為全棧數據中心的節能方案: 以前是風退水進,現在是風進水退。真是有點應接不暇: PEU,Power Usage Effectiveness,評價數據中心能源效率的指標,是數據中心消耗的所有能源與IT負載消耗的能源的比值。 風冷模型: 這個東東,就是之前我給大家科普過的全光交叉OXC: 什么是OXC(全光交叉)? 橙色的,就是光背板(把光纖固定到板子里): 光模塊內部結構,平時很難看到: 華為主推的全光2.0,數字生活和數字經濟的重要底座: IPv6+,這幾天我會出個專題介紹: NE8000: AR輔助運維,其實就是你戴著AR眼鏡,可以讓遠端的專家對你提供在線指導: 專家遠程指導(可以通過AR眼鏡進行影像共享和指示): 我更為關心的AI運維: 相比去年,現在AI運維的各個場景已經逐漸清晰。不管是接入網,還是承載網、核心網,都有了很多AI運維模型,也進行了落地: 借助AI,根據核心網性能指標的異常抖動,準確預測故障: 偶遇了正在錄制節目的華為當紅巨星Antenna姐和碼chine姐,趕緊上前表示了一下仰慕并交換了微信: ▉ 中興 接下來,就是小棗君的老東家,中興通訊的展區: 看到熟悉的LOGO,不免感到親切: 5G人機大戰,其實就是玩連連看: 行業路由器: 民用路由器: 5G室外路由器: 5G工業模組: 展區入口: 展區內部: 5G先鋒: 一張信息量很大的PPT,其實每個專題都可以展開講解: 大家都比較關心的5G能耗解決方案,同樣也引入了AI: 礦井專用基站,看上去就很結實: 業界首款5G機載CPE,可以幫助乘客在飛機上上網: 核心網,真親切: 5G消息,之前我專門科普過的: 5G消息(RCS),到底是什么? 功能確實蠻強大的,也很實用: 5G消息的生態在不斷發展,越來越多的企業正在加入: 承載網: 模塊化數據中心: 5G醫療診斷車: 現在定位業務很火,不管是UWB還是5G,都在強調自己能達到厘米級定位: 云邊協同,提供大帶寬,支撐XR(AR、VR等)業務: 5G安全辦公,有個小姐姐在畫畫,不知道兩者之間是什么聯系,我也沒敢上去打擾: 智慧社區,管理嚴密,有利于疫情防控: 設備展示區: ▉? 中國信科 中國信科展區面積很大,內容也非常豐富,看樣子是下了血本: 中國信科就是烽火+大唐。烽火的強項,是光通信: 屏幕反光太厲害了,簡直就像是在自拍: 烽火子公司自研的光通信芯片: 光背板,前面介紹過的: 湊合看吧。。。 這個大叉子是海底光纜使用的分支器(是模型,實物比這個大): 海底光纜: 這個是數字孿生,吸引了我。是一個電廠的實際商用數字孿生案例,電廠造價50億,數字化花了5千萬,這個數字孿生大約200萬。只有真正能創造價值,用戶才會像這樣愿意買單。 5G網規網優軟件和工具: 超寬接入: 設備展示: 5G產業鏈非常關心的濾波器,平時很少能看到實物: AAU內部到底長啥樣? 行業應用: 內容是真的很多,都是干貨: 車聯網: ▉ 中國電信 接下來是中國電信的展區。 運營商展區最大的好處是沒有限制,隨便進。而且他們很重視PT展,展區面積大,內容豐富,小姐姐顏值高。 物聯網展示: 衛星通信: 5G行業應用,是運營商的展示重點: 5G移頻MIMO室分系統: 5G數字工廠: 壓箱底的古董寶貝都拿出來了: 從古董機到機器人,恍如隔世: ▉ 中國移動 生態鏈里的各類芯片和模組。作為國內最大的甲方爸爸,移動在哪,生態鏈就在哪。 猜猜這是什么? 答案是龍勃透鏡天線: 關于龍勃透鏡天線,看這一篇就夠了! 這個是透明天線: 拉近來看,真的有天線振子的喲: 中移參與3GPP標準制定還是很多的: 5G智慧醫院: 5G工業路由器: 5G挖礦: 中移的人工智能平臺: 區塊鏈,現在的關注熱點: 網絡安全: 不知道這個數據是真實的,還是隨便寫寫的: 成研院的無人機平臺: ▉ 中國聯通 MR(混合現實)游戲: 前面介紹過的全景視頻: 聯通是2022北京冬奧的合作伙伴,所以緊密圍繞冬奧場景進行了介紹: 這個挺有意思的,5G智能運營平臺,全網精準評估: ▉ 中國廣電: 第一次參展的廣電。 之前我寫了一篇不看好廣電5G的文章,引起了廣電內部的一致聲討。為了安全起見,我故意遮住名牌混進去看了看。 4.9GHz AAU: 干貨很多,廣電對自己的網絡進行了非常詳細的介紹: ▉ 愛立信 來到愛立信的展區: 毫米波,愛立信的強項,在美國已經有很多商用: 最新的毫米波測試結果,3.9公里的覆蓋距離,下行650Mbps(采用的CPE,而非手機終端): 云原生: 偶遇中移楊杰大佬參觀愛立信展區: 愛立信的5G節能方案: 原生AI: 設備展示: 智能制造: ▉ 中國鐵塔 電動車電池租賃??梢越谎航?,辦套餐,進行電動車電池的租借。對于外賣小哥來說非常方便。 能源業務智能調度中心: 中國鐵塔對網絡也是充滿興趣: ▉ 諾基亞貝爾 展區很小,還設置了門禁。我在門口拍了拍,就被趕出來了。 ▉ 浪潮 來自IT行業的挑戰者: 之前很火的“中臺”: 5G專網產品,從核心網到接入網,都有: ▉ 京信通信 總部在廣州的京信通信: MINI智能視頻布控球: 5G毫米波AAU: 設備展示: 家庭級基站: 5G直放站: 32TR,主要用于郊區,更加省電。城區是64TR為主。 ▉ 紫光展銳 芯片產品線非常齊全: 5G手機芯片: 現在很火的Cat.1bis模組: 物聯網終端產品: ▉ 長飛光纖 光纖預制棒。光纖就是從這個棒,一根一根拉出來的: 海底光纜的剖面圖: 光纜: ▉ 中國衛通 直升機機載天線,第一次見: ▉ 賽特斯 ▉ 香港應用科技研究院 ▉ 中國電科 還有很多企業: 亨通光電: 亨鑫科技: 普天: 千通科技(小型化核心網): 順豐: 通宇: 中國通用技術集團: 好啦,以上就是PT展的內容,感謝大家的耐心觀看! —— 全文完 —— 參展企業太多,恕無法全部詳細介紹,敬請諒解! 免責聲明:本文內容由21ic獲得授權后發布,版權歸原作者所有,本平臺僅提供信息存儲服務。文章僅代表作者個人觀點,不代表本平臺立場,如有問題,請聯系我們,謝謝!

    時間:2020-10-20 關鍵詞: 通信技術 5G AI

  • 憋大招!大疆明日召開發布會:神秘新品曝光!

    10月19日訊,日前“DJI大疆創新”官方微博發布了一只預熱視頻,視頻以vlog快閃的視角,展現了諸多用戶都在從口袋中掏出一臺可以拍攝的設備,并配文“這一次,大疆要從口袋里掏出什么來?” 圖片來源:大疆官方微博 新一代口袋相機來襲 對此,大疆已經表示將于10月20日召開新品發布會,并會在晚上9點發布一款新品。 此次發布的新品很有可能是新一代口袋相機——大疆Pocket 2。 那么新一代的大疆口袋相機Pocket 2有哪些驚喜呢?最大的亮點可能是較大的相機鏡頭,據說Pocket 2相機和DJI Mavic Air云臺可能部分配置相同,這意味著它或許擁有1/2英寸傳感器。此外,Mavic Air 2還具有最近更新的數字變焦功能,該功能也可能在像Pocket 2這樣的緊湊型手持相機中擁有不俗的表現。 無人機龍頭企業為何加碼相機領域? 在4G網絡,智能手機得到長足發展的這幾年里,尤其是近兩年爆發一般的手機拍照能力大提升,促進了拍攝高清視頻分享的大眾創作風潮,短視頻應用也正是此時紅遍全國。 大疆很快認識到,隨著參與攝影創作的人群逐漸擴大,攝影的主流將從古典攝影——專注于體現人文風景藝術感,講究構圖美學,曝光準確的老法師們,慢慢轉向一種“新攝影”的形式。 而它的主體正是希望能隨時隨地記錄生活,并發布在社交平臺上與其他人分享的普通人,這群人可不喜歡沉重的單反相機,小巧輕便,能現場自動后期隨拍隨發才是符合他們使用習慣的設備。 基于此,大疆認為大眾需要一個能幫助他們拍攝出更好更穩定的視頻工具,所以才先后推出了口袋相機Pocket系列,并打算讓這些口袋云臺相機真正成為了明星網紅手里的爆款,每次上架次次迅速斷貨。 到這里,再次回到“硬核”的運動相機領域,為這些大眾中具有冒險精神,喜歡出挑的人提供一款能符合他們使用習慣,而且基礎素質過硬的運動相機,就條件成熟了。 有大疆品牌影響力的代入,比起一開始就進入一個小眾市場打拼,成功概率要高得多——至少大疆認為,如果口袋相機也能養成蘋果那種品牌歸屬感和用戶認同心理的話,肯定不會賣得差。 無人機市場困局顯現 大疆成立于2006年,是全球消費級無人機的領頭羊,據《2018-2023 年中國無人機行業市場需求預測及投資戰略規劃分析報告》顯示,2013-2017年,大疆銷售收入不斷增加,呈現每年約一倍的增速。2013年,大疆銷售收入為8.3億元,2014年銷售額實現近4倍的增長,達到30.7億元。2015-2017年,大疆營收分別為59.8億元、97.8億元、175.7億元,增速維持在60%以上。 同時,根據多家機構預計,2018年大疆將實現90%以上的同比增長率,銷售額或達到300多億元,依舊保持在消費級市場的優勢地位。然而這一數字最終沒有得到官方驗證。從2018年開始,大疆的經營數據成為了秘而不宣的行業秘密。根據早前界面新聞的報道,大疆在2018年、2019年營收情況均實現增長,年營收已經突破200億人民幣。 大疆CEO汪滔也曾在2016年中國企業家雜志采訪中提出,無人機市場即將接近飽和,大疆的收入達到200億元就見頂了,但這個收入很難撐起大疆100億美元的估值。由此可見,大疆目前已經升到了汪濤曾預期的天花板。 大疆雖然營收增長,估值卻正在下滑。據投資者稱,根據二級市場的交易價格,大疆創新科技的估值自2019年6月、2018年4月融資時的水平分別下降10%至68.4億美元、145億美元。 然而早早預見增長天花板的大疆卻似乎抽身乏力?!耙徽絮r、吃遍天”的好處自然是在細分市場做到極致,成為龍頭;但是另一方面,行業波動、經營變局都很有可能最大程度的影響企業的成長。 首先令大疆陷入困境的就是消費級無人機的市場規模困局。 根據IDC在2018年的預測,全球消費者和企業無人機的市場規模為90億美元,預計未來5年的年均增長率約為30%,按照這個速度計算,到2023年,無人機市場的整體規模僅約為334.1億美元。 然而,Gartner的預測更為悲觀,他們認為,2020年全球無人機市場規模將達到112億美元,而這其中起碼有五成以上的規模屬于行業級無人機。 與此同時,大疆表示:大疆80%商品的銷售發生在線下,大疆無人機通常應用于影視、旅游、戶外等場景,現在大家不出門逛街也不去旅游了”。由此可見,大疆受到的沖擊顯而易見?!? 在最近的一次公開露面中,汪濤表示:“大疆在國內的銷售已恢復到疫情前的70%,但海外銷售影響較大,問題主要在供應鏈和銷售端,海外供應商存在較大斷供風險,疫情下運輸成本高漲。這種影響將在第二季度體現出來。 根據大疆曾披露的信息,大疆的海外業務占比不低于業務總量的80%。在疫情的持續發酵下,海外業務受損程度不言而喻。而作為大疆最為重要的北美市場,除了疫情的影響,還疊加了中美關系的不確定性展望。雖然大疆在北美市場已經多次被針對,但這并不能證明大疆每次都能渡過難關。 大疆到底是無人機公司還是影像產品公司? 很多經常關注大疆的朋友們會覺得進入2015年以來,大疆放慢了在飛行器方面推新品的腳步,反而把關注的焦點放在了影像產品領域,比如禪思系列航拍相機、OSMO手持云臺相機,大疆為大家所熟知是因為“飛”,在估值百億美金后的他們為什么頻頻發布跟“飛”無關的產品,有業內人士表示可能有兩個方面的原因。 第一, 在以航拍影像為主要目的的多旋翼飛行器消費級市場,大疆依靠先發優勢和全球化的資源整合能力建立了強大的技術和品牌壁壘。大疆的產品有兩大核心優勢,獨步天下的飛控系統和穩若磐石的云臺穩定系統,這個屬于技術的先發優勢。飛控也好、云臺也好,DJI都是最早一批開始折騰并且始終堅持不斷迭代到今天形成巨大的技術優勢。 市面上有很多新興創業企業很喜歡玩文字游戲,隔幾天就在某個領域形成“微創新”具備了顛覆大疆某項產品的概念或者是能力。這個時候,作為一個以賣貨為己任的從業人員我建議大家去淘寶看一看銷量,一個產品。到底具不具備顛覆一個公司或者另一個產品的實力,出貨三個月內淘寶的銷售數據是非常強硬的背書。 聊兩句技術,多旋翼的飛控,到今天為止開源的已經做得非常棒了。比如APM,最近2年進步非常巨大,所以讓很多零基礎的小白都能搞無人機創業。但DJI 的飛控在穩定性、故障率、硬件兼容性、創新功能開發上依然具有絕對的優勢,這個差距的縮小不是一天兩天改改開源的飛控加幾個吸引眼球的功能就能解決的。 第二, 手持穩定器+運動相機市場的火爆成為無人機企業新的業績增長點。國內無人機企業多旋翼產品的開發已經進入了慘絕人寰的競爭狀態,產品同質化嚴重、創新乏 力、售后難度較大使多旋翼飛行器成為了一款“看起來很美”的產品。大多數企業被逼打起了價格戰,包括DJI本身也罕見的降價促銷,而手持穩定器產品在2015年獲得了充分的爆發。 以飛宇科技為例,前幾年一口氣推出了適配GoPro等運動相機的WG穿戴式穩定器、G4S手持穩定器、G4Pro智能手機穩定器等多個產品,在全球市場增速迅猛已經成為這家無人機企業的最主要業務,手持穩定器領域已經成為所有無人機企業不容忽視的一個重要業績增長點。 大疆作為最早一批做無刷云臺的企業,不可能放棄這個領域,相比之前如影高端系列,小型手持云臺相機更有希望成為一款拉動業績增長的“現金?!?。 大疆的進入使手持穩定器和運動相機市場進入一個全新的競爭態勢,插班生大疆做的相機能否逆襲學霸GoPro的自留地?到底是一體化的云臺相機后來居上,還是 穩定器+運動相機的組合方式一騎絕塵,讓我們用時間和市場來檢驗。 對于大疆和GoPro這種不斷創新的科技公司來說,不斷地交叉競爭,不斷地打破固有邊界才是企業獲取長久發展的不竭動力。 而圍繞運動相機和穩定器領域的產品競爭,才剛剛開始。最終的受益者,永遠是負責買單的消費者。 關于我們 免責聲明:本文內容由21ic獲得授權后發布,版權歸原作者所有,本平臺僅提供信息存儲服務。文章僅代表作者個人觀點,不代表本平臺立場,如有問題,請聯系我們,謝謝!

    時間:2020-10-20 關鍵詞: 消費電子 AI

  • 紫外線機器人成歐洲抗擊新冠病毒新武器

    外媒稱,西班牙約200家公立醫院已邁出第一步,將成為第一批從歐委會獲得所謂“消毒機器人”設備的國家之一。這種設備結合了紫外線和機器人這兩種技術,新用途在新冠大流行時期潛力無窮:無需人工干預即可對有可能被新冠病毒污染的空間進行滅菌。 據西班牙《國家報》網站10月13日報道,歐委會日前在其健康安全委員會會議上指出,機器人有助于在保護醫護人員和患者的同時限制病毒的傳播,并防止清潔工人在消毒過程中面臨風險。根據歐委會的說法,這些設備能夠消滅密閉空間中99.99%的病原體。 歐委會12日表示,這些機器已經在歐洲和世界一些地區的醫院中成功使用,可以有效滿足醫院的滅菌要求。 報道稱,這項計劃中包括的第一批消毒機器人是由丹麥“藍海機器人”公司與丹麥歐登塞地區的醫院合作開發的。 西班牙衛生部12日表示,有約200家西班牙醫院對上述技術表現出興趣。歐委會稱,將根據各國的流行病學情況和需求分發機器人。 報道指出,西班牙一直是對該計劃表現出最大興趣的國家之一。截至目前,包括瑞典和德國在內的其他一些國家要求提供更多相關信息。瑞典委員向歐委會表示:“我們尚未看到有關此類機器人有效性的研究?!钡聡瘑T的態度則更為審慎,甚至提到了紫外線輻射的危害。歐委會答復說:“機器人可以在房間外面操作,操作人員在任何情況下都不會暴露在紫外線照射下”。 歐委會希望能在11月分配第一批50臺機器人,然后“按照每月50臺的速度陸續分發”。無論如何,這個數量僅僅是第一步,因為一家擁有約300張病床的醫院將需要十幾臺這樣的機器人。 藍海機器人公司的負責人表示,盡管也存在其他能夠發射紫外線的機器,但這些機器人能夠自動移動,從而抵達那些無法被靜態設備覆蓋的黑暗區域。此外,這種機器人消毒一間病房的時間只需不到10分鐘。 來源:OFweek維科號?中國之光網 免責聲明:本文內容由21ic獲得授權后發布,版權歸原作者所有,本平臺僅提供信息存儲服務。文章僅代表作者個人觀點,不代表本平臺立場,如有問題,請聯系我們,謝謝!

    時間:2020-10-20 關鍵詞: 電子醫療 AI

  • 機器人海豚出道!未來動物園中的野生動物將被機器人代替

    一群游泳者站在淺水區,在游泳池旁嬉戲,這只海豚看起來像在主題公園表演雜技的海豚,但不為人知的是,這個海洋生物竟然是機器人。 “當我第一次看到海豚時,我認為它是真實的,”一位經過的游客說道。 據外媒報道,這只機器人海豚是由美國工程公司Edge Innovations設計的,耗資2600萬美元,該工程公司在加利福尼亞設有動畫和特殊效果部門。 它希望有一天可以在主題公園為人們提供娛樂服務的是好萊塢電影中使用的栩栩如生的動畫電子產品,而不是關押野生動物。游泳者仿佛置身于數百萬年前的侏羅紀時代,在海洋中與大白鯊機器人、爬行動物機器人一起潛水。 “目前,大約有3000只海豚被囚禁在主題公園內,僅用于體驗海豚就可以產生數十億美元。因此,人們顯然有了解海豚的興趣,” Edge Innovations創始人兼首席執行官Walt Conti說。 “因此,我們想利用這種興趣,并提供不同的方式來讓觀者愛上海豚?!? 歐洲約有20個國家已經禁止或限制馬戲團中存在野生動物,孔蒂表示,Animatronics可能會帶動公園觀眾的興趣。 在Edge的加利福尼亞州海沃德總部的機器人海豚目前已經成型,它重550磅(250千克),體型長達8英尺半(2.5米),機器人海豚的皮膚由醫用級有機硅制成,是與TeachKind合作為學校計劃的一項計劃,是《動物道德對待人》(PETA)的一部分。 Edge還將好萊塢大片中使用的水生生物命名為“自由威利”、“深藍?!焙汀鞍⒓{孔達”。 Edge動畫計劃的創意總監羅杰·霍爾茲伯格說:“這個飛行員的想法實際上是在水下創建一種“芝麻街”。 “這些角色教會了一代人如何以前所未有的方式感受人類不同方面的感受。這就是我們夢project以求的項目?!? 關于我們 免責聲明:本文內容由21ic獲得授權后發布,版權歸原作者所有,本平臺僅提供信息存儲服務。文章僅代表作者個人觀點,不代表本平臺立場,如有問題,請聯系我們,謝謝!

    時間:2020-10-20 關鍵詞: 機器人 AI

  • 浪潮集團將繼續加大力度發展智慧城市

    浪潮集團將繼續加大力度發展智慧城市

    當今,隨著科技水平的不斷提升,為了更好地推動我國經濟高質量發展,我國高度重視“新基建”的發展,并且還把“新基建”首次寫入了政府工作報告中來,讓“新基建”成為驅動社會經濟結構轉型的新引擎。 700位嘉賓齊聚一堂,共享云數智科技盛宴 9月11日,在智驅新時代—浪潮云數智中國行鄭州站現場,近700位嘉賓齊聚一堂,共享云數智科技盛宴。浪潮集團執行總裁陳東風在主旨演講中表示,浪潮將加速向“云+數+AI”新型互聯網企業轉型,并積極參與數字河南建設。圍繞智算,浪潮布局了智算中心和云服務;圍繞智聯,浪潮布局了大數據、工業互聯網和5G相關產業;圍繞智用,浪潮主要面向智慧政府、便民服務和智慧企業提供服務。 目前,智慧城市和智慧企業是發展數字經濟的兩大重要場景。 浪潮集團副總裁姜振華表示,目前,浪潮已在濟南、重慶等幾個典型城市,結合各城市的特點,開展“數聯智驅”的探索和實踐。數聯即各系統、各平臺、各場景基于數據的流轉互聯互通;各委辦局、各區縣、實現跨層級、跨部門的互聯互通;政府和市場、市民互聯互通。智驅即智慧賦能,通過AI等技術的成熟化、廣覆蓋應用,打破原有社會治理與城市運行以人為核心的管理能力上限,最終實現一屏觀天下、一網管全城、一鍵全調度、一腦筑孿生的智慧城市未來典范。 浪潮集團加大與河南本地企業合作助推數字經濟發展 當前,河南涌現出一批電子信息、5G規?;M網試點、大數據、人工智能應用等數字產業集群和政務服務、健康養老、教育醫療等領域的智慧應用形態,以推進河南經濟社會尤其是黃河流域生態保護和高質量發展。 會上,中科九洲、山谷網安、天筑科技、天業仁和、盈沖科技、桂科網安、萬聚達、海諾電子、海泰天成等企業與浪潮簽約,加入浪潮生態伙伴行列,共同發展。 河南移動也與浪潮進行了戰略合作簽約,雙方將在5G、DICT、大數據、云服務、網絡等方面,不斷合作創新,提升效率,履行商業責任,更好服務于河南省數字經濟創新發展。 浪潮集團河南公司總經理王燕波表示,今后,浪潮將在河南加大新基建投入力度,發展工業互聯網,建設河南標識解析節點,建設智算中心,同時,發展大數據產業,建設政府一體化大數據中心、開展政府數據運營、推動特色產業數據聚集,賦能城市數據資源、推動醫療數據有序開放,運營健康醫療大數據等,積極參與河南數字經濟建設。

    時間:2020-10-20 關鍵詞: 浪潮 智慧城市 AI

  • 第二十二屆高交會智慧醫療健康展隆重舉行

    第二十二屆高交會智慧醫療健康展隆重舉行

    2020年11月11日,將在會展中心2號館隆重舉行了為期5天的“第二十二屆高交會智慧醫療健康展”。本次智慧醫療健康展將由博聞創意會展統籌組織。 這是一個了解中國大健康產業發展的最佳窗口,緊跟醫療行業熱點,重點展示國內外企業在智慧醫療以及大健康領域的新突破,匯聚了醫療行業品牌企業及全球買家,將全面呈現智慧醫療健康全產業鏈的技術、產品及服務。歡迎加入平臺展示,搶占142,000平方展示面積的一席之位,共享高交會全場576,000觀眾人次。 傳統醫療走向智慧醫療面臨三大挑戰:一、醫療資源互通、數據共享及系統鏈接方面的問題;二、如何讓百姓普遍接受和推廣應用智能醫療新模式的政策和倫理方面;三、智能醫療產品尚未產生直接可觀的經濟價值和形成市場運營閉環。 但新冠疫情的暴發和5G、AI技術的發展,推動了市場和民眾對智慧醫療的認識,加速了傳統醫療走向智慧醫療的步伐,促進了眾多應用落地,對未來醫療服務體系的建設產生了深遠影響。據中商產業研究院統計,我國智慧醫療行業投資規模增長趨勢可觀,已從2016年的437億元增長至2019年的885億元,預計2020年我國智慧醫療行業投資規模將突破1000億元。 互聯網醫療以及智慧醫療主要包含醫療電商(網上藥店)、健康服務(預約掛號、問診、醫療知識百科)、消費醫療(預約體檢、醫美服務)、互聯網醫院(企業與公立醫院共建互聯網醫院)、醫療云平臺搭建(遠程醫療平臺、影像云平臺、大數據云平臺)、AI診療輔助平臺(語音電子病歷、影像輔助診斷系統、智醫助理)等業務。 疫情暴發之后,公眾對公共防護和個人家庭健康護理的重要性有了新的認知,居家隔離的生活模式使得民眾對網絡在線問診的信息服務和“非接觸式”“智能自動化”的醫用器械的需求激增,醫療資源不足與病患人數眾多的不平衡更加凸顯了家庭智能醫療器械的重要性。以往被認為是投入規模大、投資周期長、投資回報慢的智能醫療行業,在如此剛性的需求下,也迎來了發展新契機,在創新、價值、市場的商業閉環中逐漸摸索適合的盈利模式,致力于讓最新的研究成果落地,既為企業帶來切實的效益,也將智慧醫療的紅利惠及每一個人。 在此背景下舉行的中國國際高新技術成果交易會智慧醫療健康展,既是智慧醫療行業內部交流發展方向的專業平臺,也是制造企業與民眾面對面溝通供應需求的優質窗口。響應中央及地方政府關于智慧醫療的深化改革政策,順應“互聯網+醫療大健康”的時代潮流,聚集華南成熟的電子產業,依托高新技術科技產學研一體化,自2015年創立伊始,就專注于移動醫療、致力于個人健康、打造“家庭-醫療機構-社康-醫院”生態醫療圈,展示智慧醫療健康在科技領域新突破。 2019年第二十一屆高交會展覽總面積達14.2萬平方米,共有3315家展商參展,展示的高新技術項目達10216項,44個國家和國際組織、共148個團組參展,共接待來自108個國家和地區的57.6萬人次觀眾參觀。 今年,第二十二屆高交會智慧醫療健康展將于11月11-15日在深圳會展中心2號館舉行。緊跟醫療行業熱點,全面展示智慧醫療全產業鏈技術、產品及服務。打造華南醫療行業內更專業的醫療采購貿易平臺、更好的企業形象發布地以及專業信息集散地和學術、技術交流平臺。 展會匯集了貝樂智能(專注家庭云智能健康設備的研發、設計、生產,擁有完整健康服務體系),科瑞康(集測量、診斷及治療建議為一體的移動醫療健康體系,專業為家庭健康提供整體智能解決方案。),問止中醫(全球首家人工智能中醫診所,解決中醫師短缺、中醫醫療水平參差不齊的問題),資福醫療(“大圣”磁控膠囊式內窺鏡專注于消化道高端醫療產品),倍泰測量(行業領先的智慧醫療解決方案提供商,致力于健康、營養、運動網絡系統和人體健康網絡交互平臺的研發及推廣),邦健醫療(專注于心臟電生理類醫療器械領域,自主研發符合國際標準的心電分析算法),康尚生物(專注于家庭醫療、臨床醫療、互聯網醫療以及大健康生態鏈建設的創新型科技公司),優尼康通(康復、智能護理、消殺防疫等領域均有獨家專利和競爭優勢)等多家優秀企業。

    時間:2020-10-19 關鍵詞: 5G 智慧醫療 AI

  • 大力推進長三角智慧醫院發展

    大力推進長三角智慧醫院發展

    前段時間,在“潮涌長三角?共建進行時”主題網絡傳播活動中,記者探訪了建設中的長三角智慧醫院——上海青浦區朱家角人民醫院,尋找智慧醫院與眾不同的答案。 長三角智慧醫院為什么會建在青浦區?青浦區衛健委副主任金貴元告訴記者,上海青浦、江蘇吳江和浙江嘉善三地的醫療資源相對薄弱,為了加強上海市優質醫療資源對長三角的輻射作用,最終選擇落地青浦區。 金貴元表示,長三角智慧醫院未來會整合中山醫院以及復旦大學6家直屬、附屬醫院的專家資源,為全國的患者進行服務。例如患者需要做b超,可以先在智慧醫院平臺上進行預約,按預約時間來到醫院后,專家可以遠程控制機器人操作,即時給出患者診斷結果。復診也可以在線上進行,藥物可通過物流進行配送。 此外,長三角智慧醫院一期體驗中心依托“云、大、物、移、智”、5G網絡等信息技術,開展中山醫院遠程AI手術、交互查房和教學、遠程影像、遠程醫療、AI物流、智慧病房等一體化應用。 據了解,長三角智慧醫院建設將分階段推進:第一階段,在朱家角人民醫院基礎上建成長三角智慧互聯網醫院,9月底前完成建設,10月上旬掛牌并試運行;第二階段,在“十四五”期間建成具有國際先進水平的研究型長三角智慧醫院,爭取2021年二期立項并啟動建設,2024年完成基礎建設,2025年投入使用。

    時間:2020-10-19 關鍵詞: 5G 智慧醫院 AI

  • 飛利浦以AI賦能智慧醫療發展

    飛利浦以AI賦能智慧醫療發展

    近幾年來,人工智能技術得到了飛快的發展,它催化了一系列新技術、新產品、新產業。當前,人工智能是否能夠推動智慧醫療行業的發展得到了各界的高度關注。 在這場浪潮中,顯然飛利浦已經先人一步,在落地的同時全力打造行業生態圈,真正的將“夢想轉化為現實”。 2020年9月18日,在“第二屆醫學影像AI大會”上,飛利浦舉辦了“2020飛利浦人工智能高峰論壇”,展示了飛利浦醫學影像和人工智能在臨床各疾病領域的全面應用和最新成果。 在會場可以看到:飛利浦持續致力打造數字化及人工智能技術為驅動力的解決方案,開始邁入“精準、智能、開放”的醫療AI 2.0時代。 1.0到2.0,“夢想與現實的跨越” 2013年,伴隨中國醫學人工智能標準剛剛啟動,飛利浦把AI納入了公司戰略布局,開啟了醫療1.0時代。 此時的飛利浦著重于利用人工智能擴大疾病領域涉獵與布局,逐步降低醫護工作者大量重復性工作、提高患者關護效率和質量。 但隨著人口老齡化的加劇以及醫療資源的日益緊缺,急需醫療朝著價值化轉型。加上人工智能這一快車道經歷了“技術炒作的泡沫破裂”后,行業關注重心開始轉變為“人工智能如何落地產業”。 技術與業務需求之間的鴻溝依舊存在,人工智能在走向落地的過程中面臨一系列的挑戰,飛利浦開始從醫療AI1.0時代走向2.0時代。 夢想與現實的差距,精準+智能 醫療數據的海量增長,以及醫療系統平臺的復雜性增加,工作效率和診斷精準性一直是醫生的重要期望。 如何將醫生從海量的數據中解救出來,利用結構化的數據做精準的診斷才是AI落地的最現實意義! COVID-19的到來使得這一需求不斷攀升,醫學AI落地成為大勢所趨。而飛利浦醫療AI2.0最重要一個特點就是在提升檢查便捷性和可及性的同時,幫助醫生充分利用有效數據,提高診斷效率及精準性。 通過將尖端產品賦能AI分別在CT、超聲、MR等領域占領制高點,將醫生解放出來。另外,依托解決方案推動健康醫療系統的整合,也是飛利浦”智能、融合“的重點之一。 飛利浦大中華區副總裁、精準診斷事業群總經理陳勝裕表示:“飛利浦通過數字化轉型賦能精準診療,以信息化為紐帶,通過人、設備和數據的互聯和整合,助力醫學影像學未來的發展趨勢。以創新為使命,飛利浦將全球創新和本土洞見緊密結合,協同共創符合中國實際臨床需求的解決方案,為中國本地客戶創造價值,助力‘健康中國2030’的大目標?!? 在醫療不同領域,飛利浦完成了“夢想與現實的轉變”: CT首臺智慧心臟CT - 領航CT,通過AI輔助質控,可以做到高效和標準化的數據采集,并減少了66%的掃描定位操作,影像重建加速24%;Incisive極光AI CT, 其掃描自動定位,椎間盤自動識別、重建等基于AI的智能工作流,可大幅提升檢查與處理效率。 MR無液氦007磁共振,結合了完全密封的BlueSeal磁體技術,并搭載包括全數字系統、醫療信息學以及一系列覆蓋設備全生命周期的專業服務。讓MRI檢查單純的解剖機構發展到精準的病理分級分層,從定性圖像進入到定量呈現,為醫護人員提供更快,更智能,更簡單的途徑來實現精準診斷,助力專家臨床和科研工作。 超聲飛利浦乳腺智能導航系統(AI Breast)搭載在飛利浦Affiniti 70及EPIQ系列智能超聲診斷系統之上,超高清的圖像品質,加上以人為本的智能應用,能以直觀導航定位的方式為醫護人員提供強大的決策支持。AI Breast通過磁場感應,單晶體線陣探頭內置傳感器,實現乳腺檢查的全跟蹤、全覆蓋,高效減少漏診、誤診率。 ISAI一站式放射科全流程人工智能平臺 – 飛利浦星云人工智能影像平臺 (ISAI),其覆蓋影像科臨床、科室管理及科研教學全流程,從患者的預約、掃描檢查,診斷分析,到出具報告以及科研,人工智能算法和應用無感融入到全流程中,輔助醫生提供更精準的診斷。 DCP飛利浦數字病理系統,其全自動高速全切片掃描儀滿足病理科高通量掃描需求,圖像管理和診斷系統兼顧開放和可擴展性,能與醫院現有工作流程和IT環境無縫結合。并且作為開放的數據管理平臺,不僅支持教學和科研,也支持高級分析、人工智能算法的應用和開發,助力AI生態圈建設,促進計算病理學的發展和病理診斷智能化。 創新是企業發展的核心,而新型產品是飛利浦一大增長來源,每一款尖端產品的問世都是AI賦能醫療的落地,每一個重要節點的出現都是一個時代的縮影。 目前,飛利浦打造的以AI為中心的健康醫療生態系統,包羅了“全生命周期”與健康相關的每一個時刻、每一個場景,覆蓋了整個健康產業鏈的每一環,展現更多的是個性化、多樣化的AI創新格局,智能、精準化的醫療趨勢。 飛利浦大中華區醫療信息解決方案總經理潘藝瓊在專題分享中表示:“人工智能對醫療領域最大的貢獻和價值是塑造智能化的醫患友好生態,對海量相關數據的分析,提高診斷的效率與精準性?!? 從2.0再出發,尋找智慧醫院突破口 智慧醫院的核心在于在診斷、治療等關鍵就診環節上打破“信息壁壘”,以期實現科室間、醫院間、區域間的信息互聯互通。 飛利浦精準+智能融合的整體解決方案正好為智慧醫院的建設帶來了突破口,利用人工智能打造面向醫務人員的“智慧醫療”、面向患者的“智慧服務”、面向醫院管理的“智慧管理”,即 診前服務 —— 打造患者綠色通道;診中服務 —— 雙中心下AI無縫銜接,協作高效;診后服務 —— 以病人為中心長效關護。 未來,飛利浦以AI為智慧醫院的“落腳點”,以數據為點,將信息串聯成線,再加持整體解決方案形成信息的互聯互通,形成完整的診療閉環,助力智慧醫院的建設。 醫療器械平臺化之路,內外兼修法則 近幾年,“軟硬結合”成為醫療器械企業的關鍵詞,他們除了展示自己的硬件“核武器”,行業巨頭都很有默契走“平臺化”的方向。 換句話說,傳統醫療器械企業無法涉足所有的場景,走平臺化、尋求開放合作,是未來這些器械巨頭們的一條必走之路。 美國科學院院士、著名的行為分析及博弈論專家羅伯特·阿克塞爾羅德,曾在自己的著作《合作的進化》中說道:“能真正讓自己變強大的,不是去征服別人,而是全力引導合作?!? 這句話,放在飛利浦身上同樣適用,飛利浦在AI賦能之路上為自己量身定做了一套加減法。 內修 —— 剝離非核心業務,回籠資金,在專長領域投入資金做大做深;外延 —— 摒棄自己不擅長的領域,用已有積累在行業里構建醫療AI的生態,引為自身外部資源,延長“護城河”,共建醫療AI生態系統。 今年以來飛利浦又與數坤、柏視醫療等多家國內企業合作: 數坤科技為飛利浦超高端CT產品提供定制化的“智慧心臟冠狀動脈解決方案”,“智慧肺癌篩查與發熱門診肺炎篩查解決方案”;柏視醫療將自行研發的鼻咽癌放療靶區勾畫和肺部多病種檢測算法模型集成到了飛利浦的ISD平臺。 飛利浦會積極選擇與醫療AI公司合作,其實這也是整個醫療器械行業尋求轉型的一個縮影。 他山之石,可以攻玉 醫療AI初創公司會舉全公司的力量,在一些非常細分的技術領域扎根,這是傳統醫療器械企業不太可能做到的事情。因此,在AI健康醫療領域,打破壁壘和界限,“開放、創新、協同、整合、共享”是必由之路。 傳統醫療器械企業可以通過與醫療AI初創公司結合,豐富產品線,更靈活快速、更專業地解決臨床需求。 針對對外合作,飛利浦表示,“醫療行業具有其特殊性,以AI為中心的健康醫療生態系統需要覆蓋到整個產業鏈上的每一環,包含了大量的細分領域和應用場景。飛利浦的對外開放是多層次的,將與醫療全流程環節上的機構尋求合作?!? 飛利浦的愿景是到2030年每年改善25億人的生活。要實現這一愿景,應對人類所面臨的各類醫療難題,不是某個人、某個公司、某個解決方案可以憑一己之力解決所有問題的。 而飛利浦選擇的創新合作商業模式,按下了“快進鍵”,讓“高門檻”的AI融合進實際臨床場景,以親民的姿態走近千家萬戶,實現普惠醫療。

    時間:2020-10-19 關鍵詞: 人工智能 智慧醫療 AI

  • 需要更換手機了:由TensorFlow Lite構建無人駕駛微型汽車

    今天在 Tensorflow公號看到推文Pixelopolis:由 TensorFlow Lite 構建無人駕駛微型汽車?,作者介紹了他們在今年Google I/O大會上展示的TensorFlot Lite構建的無人駕駛微型汽車的展品:Pixcelopolis。 ▲ TensorFlow Lite構建的無人駕駛微型車 每輛微型汽車都裝配有一部?Pixel?手機,使用手機上的攝像頭檢測和理解周圍的信號。手機使用了?Pixel Neural Core?邊緣計算芯片(?Edge TPU?支持的機器學習),可感應車道、避免碰撞和讀取交通標志。 相比于基于云計算來實現視頻處理和物體檢測,邊緣計算可以減少延遲對控制的影響(也許在5G下延遲影響小一點)。 ▲ 通過手機識別各種目標的Pixelpolis 下圖是整個展品的布局,模仿了一個小型城鎮廣場周圍的交通環境。參觀者可以通過手機端的一個應用模擬“站點”來選擇出現的目的地。展品中的微型車就可以駕駛到目的地,整個過程用戶可以查看車輛周圍以及所檢測到的物體。 ▲ 演示區的道路設計 車模所有對外界的感知都來自于微型車膜前面的手機攝像頭,有它獲取前方的圖片并手機內部署的神經網絡完成車道保持、停車定位、障礙檢測等。通過手機底部的USB-C接口擴展來與底層控制板通訊,完成電機控制等。 ▲ 手機應用程序與Pixelopolis交互 ▲ 手機端可以查看車輛周圍所檢測到的物品 展品作者采取了與?論文:End-to-end Learning for Self-Driving Cars中相類似的技術錄像,使用卷積神經網絡(CNN)來檢測每幀圖像內的交通指示線,并給出方向盤的調整量。增加了LSTM利用前期拍攝的多個圖像幀進行改進。 ▲ CNN 模型的輸入和輸出 控制器的模型很簡單,下面代碼就給出了網絡的結構構成。 net_in = Input(shape = (80, 120, 3))x = Lambda(lambda x: x/127.5 - 1.0)(net_in)x = Conv2D(24, (5, 5), strides=(2, 2),padding="same", activation='elu')(x) x = Conv2D(36, (5, 5), strides=(2, 2),padding="same", activation='elu')(x)x = Conv2D(48, (5, 5), strides=(2, 2),padding="same", activation='elu')(x)x = Conv2D(64, (3, 3), padding="same",activation='elu')(x) x = Conv2D(64, (3, 3), padding="same",activation='elu')(x)x = Dropout(0.3)(x)x = Flatten()(x)x = Dense(100, activation='elu')(x)x = Dense(50, activation='elu')(x)x = Dense(10, activation='elu')(x) net_out = Dense(1, name='net_out')(x)model = Model(inputs=net_in, outputs=net_out) 一個神經網絡是否能夠達到很好的性能,關鍵在于如何準備好讓它學習的訓練樣本。為此。作者使用Unity, Udacity來構建了模擬器,自動生成訓練車輛的圖像數據。 通過在軌道上設置多個路徑點,?微型汽車?可以行駛到不同的地點,并從中收集數據。在此模擬器中,我們每 50 毫秒收集一次圖像數據和轉角數據。 ▲ 模擬器中的軌道中上設有多個路徑點 大家都知道,軟件虛擬出的場景圖片和實際拍攝到的圖片會有很大的差別,包括光線、周圍環境以及其他的噪聲。為了使得訓練的神經網絡能夠適應實際要求,需要對數據進行增強。 他們將以下變量添加到場景中:隨機的 HDRI 球體(具有不同的旋轉模式和曝光值)、隨機的環境亮度和顏色以及隨機出現的車輛。 ▲ 各種環境下的數據增強 下圖給出了經過訓練之后,卷積神經網絡的第一層對于輸入圖片的輸出??梢钥闯?,它已經能夠很好地將圖片中道路信息邊緣信息能夠很好的提取,對于背景可以進行有效的壓制。 ▲ 第一層神經網絡的輸出 使用神經網絡進行控制的一個最大的問題,就是車模有時會出現莫名其妙的動作。比如下面這個場景,明明已經成功的拐過彎道,進入平坦順直的道路,車模則抽風地沖出跑道了。 這主要是因為所訓練的樣本沒有能夠均勻包含各種道路情況,模型比較脆弱。 ▲ 早期版本中玩具車偏離了軌道 為此,在場景中添加了各種形狀的曲線,以豐富原來訓練數據庫中大多數的直線軌道數據。 ▲ (左)方形軌道與(右)彎曲軌道 功夫不負有心人,修正數據集不均衡的問題后,車輛便開始能夠在彎道處正確轉向。 ▲ 車輛在彎道可以成功轉彎 似乎理性的增加數據可以提高車模的性能,但有時候僅僅采用小的技巧便可以解決大問題。比如當微型車模運行到展品邊緣時,就會看到很多展臺外面的場景。外面的場景多變,很難通過數據來表征這些變化。怎么辦? 作者就用了一個字:切! 將輸入圖像的下面四分之一切出來,送入神經網絡進行訓練,就有效化解了上述的問題。 ▲ 展品上的軌道,以及在展品邊緣看到的圖像 為了能夠進行車輛定位以及檢測其它干擾車輛,在手機Pixcel 4上的Neural Core Edge TPU上運行了?ssd_mobilenet_edgetpu?模型,這是來自?TensorFlow 目標檢測模型庫?。每幀檢測時間僅用6.6毫秒,在實時應用中游刃有余。 為了是檢測神經網絡模型能夠適應展品場景需要,作者同樣使用了模擬器和真實場景中的數據來訓練模型。為了提高檢測魯棒性,使用了?Unreal Engine 4?來隨機生成物體和背景。使用 labelImg 工具進行對樣本進行了手動標注。 ▲ 進行目標識別的數據庫 使用神經網絡最大的工作量是在準備訓練數據集合。之后的網絡搭建和訓練則非常容易,分分鐘搞定。檢查一下,網絡識別交通標志的效果還是很不錯的。 ▲ 網絡識別效果 最后一個工作,就是需要將網絡部署到手機平臺上。這需要借助于TensorFlow Lite 將模型進行個數轉換,并在Android下編寫相應的Python腳本來進行部署。 作者還設想著,通過視覺SLAM能夠為他們的這個展品增加車輛全程定位。真的是一個手機平臺可以練習很多算法。 ▲ 視覺SLAM定位 為了實現一個頂著手機運行的微型車膜,作者也是費力不斷改進機械結構,經過了五代設計最終得到了一個合理的機械設計??梢詫⑹謾C、控制板、電池、電機等集成在一個小巧乖致的微型車模中。 ▲ 第一代設計 ▲ 第二代設計 ▲ 第三代射擊 ▲ 第四代設計 ▲ 第五代設計 下面給出了嵌入在車體內部的控制板、電機、電池等配件。 ▲ 底層運動控制單片機板 ▲ (左)屏蔽罩和電機,(右)電源插座、電源開關、電機啟動按鈕、電機重置按鈕、開發板狀態 LED、電機狀態 LED ▲ 3000mAh 鋰離子電池(左)與 18650 鋰離子電池(右) 的確,一輛小小的微型車模,包括了計算機視覺、深度學習、傳感器融合、定位、路徑規劃、控制、系統集成等多個學科內容。通過這個環節幾乎可以將一個專業所需要學習的多個課程集成在一起。這不,在Udacity平臺上,還真的提供了?無人駕駛汽車納米學位項目?供希望獲得全面培訓的工程師和學生學習。 今天下午,教育部自動化類高等教學委員會在清華召開了院長會議,其中李少遠老師對今年大學生學科競賽實踐教學進行了總結。以在剛剛過去的暑期中,新冠疫情影響下,成功舉辦的全國大學生智能車競賽為例,探索面向未來實踐發展。希望智能車競賽為工科學生的大學期間專業課程實踐提供更好的鍛煉平臺。 免責聲明:本文內容由21ic獲得授權后發布,版權歸原作者所有,本平臺僅提供信息存儲服務。文章僅代表作者個人觀點,不代表本平臺立場,如有問題,請聯系我們,謝謝!

    時間:2020-10-19 關鍵詞: 汽車電子 自動駕駛 AI

  • 簡單的BP網絡識別液晶字符

    這學期的人工神經網絡課程已經進行完了第三章內容,關于經典網絡重要的BP(誤差反向傳播網絡)是所有學習人工神經網絡最先接觸到的一個實用網絡。它的原理相對比較簡單,在很多平臺中都非常容易實現。 學習神經網絡的基本原理之后,更重要的是能夠通過一些應用場合來應用它,使他能夠幫助自己解決一些實際的工程問題。 近期購買到的 LC100-A[1] 電感電容測量模塊,用于測量一些實驗中實驗對象的電感、電容值隨著其他一些物理變量(工作電壓、距離、溫度等)所產生變化規律。為了便于實驗,需要能夠將LC100-A測量數值自動記錄。 > 在開始的方式就是直接使用攝像頭獲取液晶顯示數據,然后使用字符識別軟件來完成其中數字的識別。 測試一下CNOCR識別效果。它對于屏幕截圖中的文字識別效果還不錯: ▲ 屏幕截取的一段文字 識別時間:1.98。* 識別結果: [['●', '更', '新', '了', '訓', '練', '代', '碼', ',', '使', '用', 'm', 'x', 'n', 'e', 't', '的', 'r', 'e', 'c', 'o', 'r', 'd', 'i', 'o', '首', '先', '把', '數', '據', '轉', '換', '成', '二', '進', '制', '格', '式', ',', '提', '升', '后', '續', '的'], ['訓', '練', '效', '率', '。', '訓', '練', '時', '支', '持', '對', '圖', '片', '做', '實', '時', '數', '據', '增', '強', '。', '也', '加', '入', '了', '更', '多', '可', '傳', '入', '的', '參', '數', '。'], ['●', '允', '許', '訓', '練', '集', '中', '的', '文', '字', '數', '量', '不', '同', ',', '目', '前', '是', '中', '文', '1', '0', '個', '字', ',', '英', '文', '2', '0', '個', '字', '母', '。'], ['。', '提', '供', '了', '更', '多', '的', '模', '型', '選', '擇', ',', '允', '許', '大', '家', '按', '需', '訓', '練', '多', '種', '不', '同', '大', '小', '的', '識', '別', '模', '型', '。'], ['●', ' ', '內', '置', '了', '各', '種', '訓', '練', '好', '的', '模', '型', ',', '最', '小', '的', '模', '型', '只', '有', '之', '前', '模', '型', '的', '1', '/', '5', '大', '小', '。', '所', '有', '模', '型', '都', '可', '免', '費'], ['使', '用', '。']] 那么對于前面液晶屏幕識別效果呢: ▲ 只是數字部分 識別結果:[['.', '。', '與', 'F', '早', 'H']] 好像驢唇不對馬嘴。 這主要原因還是原來網絡沒有針對上述液晶實現數字進行訓練過。由于液晶顯示圖片質量非常好,實際上只需要最簡單的BP網絡就可以達到很好的效果。 下面給出在MATLAB中構建網絡并進行實驗的過程。 使用神經網絡解決問題,一個重要的環節就是進行訓練數據的準備。通過對采集到的一些圖片中的數字進行提取并手工標注,來完成對網絡的訓練。 1.數字分割 下面是桌面攝像頭捕捉到的測量圖片,通過簡單的圖片灰度投影,比較方便將顯示數字所在圖片中的位置定出。為了簡單起見,也可以固定攝像頭與LCD相對位置,這樣手工定標出結果字符位置也可以適用于后面測量結果。 ▲ 液晶數字顯示以及數字部分 這個問題簡單之處在于所有字符都是等寬,而且對比度非常好,簡單的分離就可以將所有的字符單獨分離出來。由于攝像頭位置固定,所以簡單分割之后的字符之后少量的上下左右平移,沒有旋轉。對于圖片位置、尺寸就不再進行歸一化。這些差異最后有神經網絡來彌補。 ▲ 分割出的數字 液晶顯示字符的圖片對比度很好。但就是有一個問題,在攝像頭拍攝的時候,經常會遇到字符變化過程,這就會使得圖片中字符呈現兩個字符疊加的情況。下面是一些示例: ▲ 數字變化過程的圖片 這些過程,說實在的,即使人工識別也會無法分辨。 后面通過人工輸入標注了2000多個樣本。 2.圖片二值化 對于分割的圖片進行二值化,可以消除環境光對于圖片亮度的影響。在一定程度上,也可以消除液晶字符在變化時所引起的模糊。 > 上面所有的字符的尺寸是23乘以38點陣。 1.構建網絡和訓練 簡單的實驗,就用簡單的方法。對于前面所得到的字符,不再人工定義它們的特征。僅僅將原來的彩色圖片變換成灰度圖像,然后排列成23×38=874維向量。然后增加一層中間隱層便組成了最簡單的分類網絡。 net = patternnet(11) ▲ 構造一個單隱層神經網絡 將前面人工標注的樣本一半用于訓練,全部樣本用于測試。下面給出了測試的結果。 plotconfusion(xx, net(yy)) ▲ 訓練結果 2.訓練結果與分析 整體的錯誤率大約為:ERR= 2.99%。 下面是識別正確的字符。 ▲ 識別正確的字符 下面給出了部分識別錯誤字符的情況?;旧隙际且恍┡臄z到液晶字符在變化過程中的重疊字符情況。這些情況本身在人工標注的時候就存在模糊。 > 3.網絡結構與錯誤率 下面給出了網絡的隱層節點個數與識別錯誤樣本個數之間的關系??梢钥吹疆斨虚g隱層節點大于5之后,識別性能就不再有明顯的變化了。 隱層節點個數 2 3 4 5 6 7 8 9 10 11 錯誤數量 1810 656 216 77 69 66 65 72 58 68 ▲ 隱層節點個數與錯誤率 使用神經網絡解決問題,不是尋找最強大的網絡,而是需要最合適的網絡。 通過上面的測試結果來看,簡單的單隱層網絡便可以很好的滿足液晶顯示數字識別。那么對于那些由于數字跳動所引起的錯誤該怎么處理呢? 這個問題如果僅僅依靠增加訓練樣本和改進網絡結構是很難進行徹底解決,規避這個錯誤可以通過對連續識別結果進行比對來解決。對顯示數字進行連續快速采集5幀圖像,其中液晶跳動往往只發生在其中一幀,或者兩幀。那么對于五個圖像識別出的數字進行對比,找到相同次數最多的數字作為輸出結果。 參考資料 [1]LC100-A: https://zhuoqing.blog.csdn.net/article/details/108997475 免責聲明:本文內容由21ic獲得授權后發布,版權歸原作者所有,本平臺僅提供信息存儲服務。文章僅代表作者個人觀點,不代表本平臺立場,如有問題,請聯系我們,謝謝!

    時間:2020-10-19 關鍵詞: 液晶顯示 神經網絡 AI

  • 敢坐嗎?無人駕駛出租車驚現北京街頭!

    據百度透露, 高峰期單日訂單量超2600單,單個站點單日訂單量高峰600單,甚至有市民反映百度無人出租車分緊俏,不好約車。 對此,百度表示雖然擁有北京最多的40張自動駕駛載人測試牌照,但運力還遠不足以滿足如此集中的體驗需求。下一步,平臺會考慮把一天不同時段呼單情況波峰波谷信息推送給愿意試乘的乘客,方便合理安排錯峰試乘。 如何才能體驗到百度無人駕駛出租車? 乘客只需進行實名登記,且年齡在18歲到60歲之間,都可以免費體驗約車試乘。約車用戶可以帶一位同行人,按照自動駕駛規定,車內會配備安全員,但行駛中,安全員并不會駕駛車輛。 據了解,此次免費體驗活動時間為10月10日至11月6日,用戶參與約車體驗,成功乘車后還有禮品贈送 。? 具體約車方式有兩種,一是打開百度地圖-打車-自動駕駛-選擇上下車站點-選擇乘車人數-立即呼叫Apollo GO;其次是下載Apollo Go app選擇乘車 。 ? 據官網介紹,本次投放的自動駕駛出租車是百度Robotaxi,該系列具備應對城市各類復雜場景的自動駕駛能力, 自動駕駛級別為L4 ,在自動駕駛過程中具備360度視野,探測距離為240米,實時控制延遲小于100毫秒。 21IC小編曾在北京海淀公園試乘百度無人車,感覺行車平穩,拐彎泊車自如,遇到行人障礙物會高度警惕避讓,全程都不需要安全員干預,不過,當時是在公園內的道路上,且行駛速度也比較慢。如今,百度自動駕駛出租車可是要與駕駛經驗豐富的司機師傅比賽,而且應對的是北京市區繁忙的市內道路,難度可想而知,具體表現如何?不如親身體驗一把,快去預約試乘吧,而且還是免費的。 免責聲明:本文內容由21ic獲得授權后發布,版權歸原作者所有,本平臺僅提供信息存儲服務。文章僅代表作者個人觀點,不代表本平臺立場,如有問題,請聯系我們,謝謝!

    時間:2020-10-19 關鍵詞: 汽車電子 自動駕駛 AI

首頁  上一頁  1 2 3 4 5 6 7 8 9 10 下一頁 尾頁
發布文章

技術子站

更多

項目外包

米客mik聊天赚钱靠谱吗 彩票江苏7位数11069 浙江6 1开奖结果查询 讨论股票的论坛 2011热门股票推荐 2019上证指数k线图 极速11选5是国家开的吗 极速赛车是正规的吗 尚牛配资 北京十一选五前直走势 安徽十选五开奖结果