🤖 Исследователи из MIT создали роботизированную руку RFusion для поиска потерянных вещей.

Устройство оборудовано радиочастотной антенной и камерой. Оно отслеживает предметы по прикрепленным RFID-меткам и находит их с помощью машинного обучения. Если объект спрятан под грудой вещей, робот уберет их и возьмет необходимое.

💬 По словам разработчиков, в будущем RFusion сможет использоваться для сортировки заказов, идентификации и установки запчастей или выполнения повседневных задач.

#MIT #роботы

🔎 Исследователи из MIT и Катарского центра ИИ разработали алгоритм глубокого обучения для прогнозирования ДТП.

Модель использует исторические данные об авариях, дорожные карты, спутниковые снимки и GPS-информацию. Она строит «схему рисков» в разрешении 5x5 метров, которая выделяет потенциальные зоны возникновения столкновений.

🛣 Например, ученые с ее помощью обнаружили, что шоссе и привязанные к нему съезды более подвержены риску возникновения ДТП, чем дороги возле жилых домов.

#MIT #исследование

🤖 Инженеры из MIT обучили робогепардов Mini Cheetah перепрыгивать пропасть.

Они разработали систему управления, которая повышает скорость устройств и улучшает их маневренность на неровной местности. Представленный алгоритм состоит из двух частей: одна отвечает за сбор и обработку информации в режиме реального времени, а вторая преобразует данные в инструкции по передвижениям робота.

💬 По словам инженеров, система позволяет избежать предварительного картографирования местности и дает возможность различным службам использовать устройства в чрезвычайных ситуациях на неизвестных локациях.

#MIT #роботы

🔎 Ученые из MIT разработали алгоритм искусственного интеллекта, способный определять взаимосвязь между объектами в кадре.

Система может более точно генерировать изображения локаций по текстовому описанию предметов и отношений между ними. Например, по запросу «деревянный стол слева от синего стула, а красный диван справа от синего стула» нейросеть выведет соответствующую картинку.

🔁 Модель на основе энергии разбивает запрос на мелкие составляющие, генерирует каждую из них и объединяет в общее изображение. Этот метод позволяет использовать сеть и в обратном направлении — проанализировав картинку она выведет текстовое описание с указанием взаимосвязей.

#MIT #разработка

🤖 Ученые из MIT разработали двумерный симулятор Evolution Gym для проектирования, обучения и тестирования «мягких» ИИ-роботов. Он позволяет программировать модели на одновременное развитие их тел и «мозгов».

Исследователи создали 30 уникальных задач, среди которых ходьба, перепрыгивание препятствий, перенос или перетаскивание предметов и ползание под преградами. Также разработчики могут задавать собственные условия.

⚒ Симулятор позволяет алгоритмам самостоятельно переделывать конструкцию роботов, связывая вместе квадраты, и управлять ими. Также он предоставляет обратную связь ИИ о том, насколько хорошо 2D-модель справляется с поставленной задачей.

По словам ученых, некоторые боты, перепроектированные искусственным интеллектом, приняли вид скачущей лошади или обезьяны, чтобы быстрее пройти дистанцию или вскарабкаться на высокий блок.

🌐 Evolution Gym распространяется с открытым исходным кодом.

#MIT #роботы

🤖 Робогепард Mini Cheetah от MIT установил новый рекорд по скорости бега, разогнавшись до 3,9 м/с.

Инженеры использовали симулятор на базе ИИ, чтобы натренировать четвероногое устройство адаптировать свой стиль ходьбы, включая бег, под окружающую среду. Этот подход позволил ускорить развитие робота — всего за три часа он пережил 100 дней виртуальных приключений по разнообразным ландшафтам и изучил множество новых методов изменения своей походки.

👀 В результате, Mini Cheetah не умеет распознавать объекты под ногами вроде гравия или льда, однако может определить эффективность своих движений и изменить их, чтобы продолжать двигаться вперед.

#MIT #роботы

✏️ Команда исследователей из MIT CSAIL, Microsoft и Корнеллского университета разработала алгоритм компьютерного зрения STEGO, способный идентифицировать изображение «вплоть до отдельного пикселя».

Модель обнаруживает и размечает объекты на картинках. Система использует семантическую сегментацию, применяя метку класса к каждому пикселю изображения, чтобы дать ИИ более точное представление об окружающем мире.

Исследователи обучили алгоритм на массиве данных изображений с разных областей — от интерьеров домов до вида из космоса. STEGO удвоил производительность предыдущих схем семантической сегментации, точно согласовываясь с оценкой изображения человеком.

🗣 По словам ученых, на картинках для обучения беспилотных автомобилей модель сегментировала трассы, людей и дорожные знаки с гораздо более высоким разрешением и детализацией, чем это делают аналоги. На изображениях из космоса система разбила каждый квадратный метр поверхности Земли на дороги, растительность и здания, добавили они.

#MIT #Microsoft