TidyBot 开源机器人（使用大型语言模型的个性化辅助）

TidyBot 开源机器人（使用大型语言模型的个性化辅助机器人） TidyBot的出现是为了解决家庭清洁的问题，通过训练，它已经学会如何捡起物体并放到合适的位置。在实际场景的测试中，TidyBot可以成功收起85%的物体。 这个项目的目标是将基于语言的规划和感知与大型语言模型（LLMs）的少量总结能力结合起来，让TidyBot推断出广泛适用于未来交互的用户偏好，建立能够通过事先与特定人的互动从少量的例子中学习这种偏好的系统。 本次开源内容包括： •TidyBot的服务器代码（在GPU工作站上运行） •TidyBot的机器人代码（在移动基础电脑上运行） •3D打印部件的文件 •基准数据集的代码 可以看出来几乎是完全开源的状态了，智能机器人会是未来的一大热门，想尝试的人可以通过这个项目入手了。 项目官网： 开源地址： 论文地址：

友情提示群友飞机上什么牛马都有，注意防范

友情提示群友 飞机上什么牛马都有，注意防范 1⃣ 那些发名单的，发勾引你好奇心视频的，让你私聊的。通通不要相信。 2⃣ 那些卖钱包靓号的，你存多少都是给别人的！还有那些声称自己钱包有钱不会用，发私钥发出来的，都是骗你能量的，你的手没有他的机器人快！ 3⃣ 那些飞机三方版本都是病毒，随时监控你的聊天记录和剪贴版，骗钱，修改你复制的钱包地址，大家要注意！飞机从官网下载：telegram.org 4⃣ 你在飞机上搜到或者收到的各种文件，不要去点击，都是病毒。 *⃣ 有些私聊说让你帮忙辅助的，飞机没有辅助验证，他发给你一个bot地址，你点了就授权了，他能操作你账号！ *⃣ 还有群内不管是经常活跃的还是管理以及和你有业务往来的熟人，找你付款的，请语音确认后，再处理，不要轻易相信！！！！！！！！！ *⃣ 网上都是陌生人，没有信任基础，骗子也多，每个群里都是，大家要做交易的最好找三方担保或者比较老的商家 还有，不要过度相信飞机的安全性，其实没你想的那么安全

一个中美 AI 技术的区别，写的真好

一个中美 AI 技术的区别，写的真好 你把AI想象成一个小孩， 欧美的AI属于精英教育路线，出生后家里就一路砸钱供他读书读到博士。等到毕业之后，一出场就王炸，惊艳全场。 中国的AI属于功利教育路线，出生就接受生存教育，养到15岁，就开始逼着他想办法给家里挣钱。学的都旦如何市场化的技巧 所以你看到谷歌的围棋，波士顿动力的机器狗，到现在ChatGPT他们都有同样3个特性;1，默默烧钱，蛰伏多年;2，一鸣惊人，出来都是王炸;3，靠技术基建挣钱，看不到直接盈利的模式。 再看我国，14年我在百度度秘团队(小度前身)，机器人刚学会基本对话，就开始找盈利场景。于是出现了小度AI及其家电衍生物。18年加入阿里达摩院，对话机器人刚能说话，就转向阿里小蜜客服机器人。无人驾驶刚开始学会在开放道路上低速行驶，只会认路认障碍物，就开始搞无人车配送。22年加入字节，又是NLP搞机器人客服。说起来我在中国最顶级的3家公司搞AI都十年了，其实每个公司都是在2年左右，产品刚有雏形，技术和产品就被迫为业务目标服务。 前不久CHATGPT爆火，不少咨询公司找我做分享，他们并不关心中国现有的技术到什么层面，中美最大的差异从哪来……他们的问题依然是AI怎么赚钱，有哪些业务机会。 现在中国AI从业者面对老板/投资人的处境，就像一个想从村里走出去求学的年轻，他每经过一个路口，就有一群大爷大妈，怼着他的鼻子问“咦~~~读博一花那么多钱有啥用唻~能挣钱不~~还不如牛二娃去厂里打螺丝~3年就给起了新房子~~~”。 你问“为什呢感觉欧美的AI比我们强?”。 出于业者的自尊心和对企业的维护，在公开场合我会说“中国AI更倾向于业务应用和商业化的能力”。 在夜深人静的时候我内心的声音是“人的命运在子宫里就注定了，机器人也不可幸免。”

黄仁勋演讲背后的那排机器人究竟有什么来头？

黄仁勋演讲背后的那排机器人究竟有什么来头？ 穿越喧嚣的声音，颇有几分造物者的姿态，让人觉得科幻电影的日常即将走入当下。你肯定也在琢磨，这些聚光灯下的九位人形机器人都有什么来头？别急，从左往右，我们这就开扒。Figure：Figure 01第一个登场，是我们的老朋友 Figure 01。三个月前，OpenAI 将 ChatGPT 塞进了人形机器人 Figure 01。借助 OpenAI 的先进视觉和语言理解技术，以及 Figure AI 的神经网络技术，Figure 01 能够与人类进行流畅的对话，并执行一系列复杂任务。识别物体、递苹果，捡垃圾，收拾餐具，Figure 01 操作的丝滑程度出乎所料。Figure 01 背后的 Figure 公司，在 2022 年成立后不久，就吸引了包括 OpenAI、微软、英伟达、亚马逊等顶尖科技公司的投资和支持。2024 年 2 月，Figure 公司在一轮融资中筹集到了 6.75 亿美元，使得公司估值达到了 26 亿美元。此外，Figure AI 商业化的步伐也未曾停歇，他们曾与宝马制造公司签订商业协议，将 AI 和机器人技术融入汽车生产线，并落户于宝马的工厂。宇树科技：H1会后空翻的机器人并不是什么稀奇事，但会后空翻的电动驱动人形机器人属实是屈指可数。H1 机器人的身高约为 180 厘米，体重约 47 千克，峰值扭矩密度达到 189N.m/Kg，移动速度可达 3.3m/s，这一速度打破了全尺寸人形机器人运动的世界纪录。并且，它拥有 19 个自由度，腿部关节电机峰值扭矩高达 360N·m，配合中空轴线和双编码器，被誉为同类规格中功率性能最高的机器人。此外，H1 机器人还具备 360° 全景深度感知能力，能够实现自主避障和定位导航功能。宇树科技的产品线涵盖了多个系列，如 Go 系列、B 系列、H 系列等，每个系列都针对不同的应用场景和市场需求。例如，Go 系列主要面向消费级市场，而 B 系列则更多应用于工业领域。宇树科技的产品在全球范围内享有较高的知名度，曾受邀参加 2021 年央视春晚、2022 年北京冬奥会开幕式等重大活动。前不久，宇树科技也正式发布 Unitree G1 人形机器人，售价 9.9 万元起。在官方发布的展示视频中，Unitree G1 不仅能做“鲤鱼打挺”，还能耍金箍棒、缩骨、砸核桃、颠勺、焊接。谈及距离设想中的通用机器人还有多远时，宇树科技创始人兼 CEO 王兴兴表示：目前大家在做的事情很简单，就是把 AI 技术拿过来给机器人用。但我觉得目前 AI 跟机器人结合的技术临界点还没到，可能整个技术方案还没跑通。Apptronik：Apollo都说人形机器人的宿命是进厂“拧螺丝”，Apollo 人形机器人也不例外。作为专为适应人类工作环境而设计的机器人，Apollo 能够自动执行搬运和装配任务，将汽车零部件精准地搬运到生产线上，供工人们进行组装。Apollo 还能在工业环境中辅助员工完成一些繁重的体力工作，能举起重达 25 千克的重物也不在话下。在设计方面，Apollo 采用了模块化功能，用户可以根据实际需要决定机器人的配置。比如作为双足行走的人形机器人、通过轮子运行的躯干或者安装在固定位置的躯干。今年 3 月份，Apollo 背后的 Apptronik 公司宣布与梅赛德斯·奔驰达成一项商业协议。身高约 1.7 米、体重 140 多斤的双足机器人 Apollo 主要从事搬运、装配零部件等繁重的低技能劳动。目前，Apptronik 目标是在 2024 年底前实现全面商业化生产。Agility Robotics：Digit作为一款具有高度灵活性和适应性的人形机器人，Digit 的设计灵感来源于动物的运动机制，特别是人类的行走方式，使其能够在复杂的环境中自如行动。例如，Digit 机器人能够在仓库中自主导航，找到存放空箱的位置，并用其手臂提起并搬运这些箱子到指定位置，以便它们可以被重新装填或转移。Digit 机器人的设计目的是为了在仓库和配送中心等环境中工作，执行搬运货物、存储货物等任务。它能够在不平坦的地面上行走、抓取和运送塑料手提袋、整理包装箱等，在提高仓库效率方面具有巨大潜力。2023 年 9 月，Agility Robotics 公司在俄勒冈州塞勒姆开设了首座年产能可达 1 万台的机器人制造工厂 Robofab。随着工厂的投产，Agility Robotics 于 2024 年完成首批 Digit 机器人的交付，并于 2025 年全面上市，预计定价 25 万美元。Sanctuary AI：PhoenixPhoenix 是 Sanctuary AI 推出的一款人形机器人，它被设计为具有类人智能，能够帮助完成广泛的工作。Phoenix 的身高为 5 英尺 7 英寸，体重为 155 磅，最大负载为 55 磅，最高速度可达每小时 3 英里。它的机械手具有 20 个自由度，模拟触觉技术使其操作精细度堪比人手。此外，其美学设计也有所提升，采用更大胆的色彩和纹理，使 Phoenix 在功能性与美观性上都达到了新的高度。Phoenix 的特点在于其学习新任务的速度很快，而且成本比以前低。相比以往更多关注于机器人的腿部和行走能力，Sanctuary AI 最新发布的第七代 Phoenix 特别强调了机器人的上半身，尤其是躯干部分的动作。Sanctuary AI 的联合创始人和 CEO Geordie Rose 在社交平台 X 上表示：通过第七代技术，公司能够捕获更多高质量、高保真的人类行为数据。这些数据的积累反过来有助于加快 AI 模型的开发，使机器人能更快地部署到实际的工作环境中。1X Technologies：NEOOpenAI 的亲儿子不只“Figure”一个，1X Technologies 也是被押注的对象之一。1X Technologies 是一家专注于研发人形机器人的公司，其最新的产品是 NEO 机器人。NEO 机器人是一款专为家庭和其他服务用途设计的双足人形机器人，它的设计灵感来源于人类，能够执行各种家务任务，旨在为人们的生活带来便利。身高为 1.65米的 NEO 机器人，体重达到 30 公斤，行走速度可达 4 公里/小时，跑步速度为 12 公里/小时，载重能力为 20 公斤，运行时间为 2-4 小时。NEO 的身体构造模仿人类的肌肉结构，确保坚固的同时也具备柔韧性。1X Technologies 在 2024 年 5 月宣布完成了 1 亿美元的 B 轮融资，这笔资金将用于推进 NEO 机器人的研发和商业化进程。作为通用人形机器人，NEO 能够处理物流、制造、操作机械等工业任务，同时提供清洁、整理家务以及日常陪伴等生活服务。傅利叶智能：GR-1傅利叶智能的 GR-1 通用人形机器人是一款高度仿生的机器人，它拥有高度可扩展的设计，能够实现多种 AI 模型与算法的验证。GR-1 的全身由 32 个 FSA 关节构成，最大模组峰值扭矩达到 230NM，这些特性使得 GR-1 在工业、康复、居家、科研等多应用场景中具有巨大的潜能。GR-1 的身高为 1.65 米，体重达到 55 公斤，全身自由度多达 40 个，最大关节模组峰值扭矩可达 300NM，步行速度可达到 5KM/h，负重 50 公斤。它采用了自主研发的 FSA 高性能一体化执行器系列，确保了在行动过程中的灵活性，并具备力量、稳定性、负载适应能力以及安全性与可靠性。傅利叶智能成立于 2015 年，经过多年的深耕，公司已经在健康、教育等多个场景下对市场需求进行深度挖掘，并推出了 30 多款智能康复产品，服务于全球 40 多个国家和地区的 2000 多家医院和机构。2019 年，傅利叶智能正式启动通用人形机器人项目，成为中国较早一批通用人形机器人先行企业。波士顿动力：Atlas2017 年，会空翻的波士顿动力人形机器人 Atlas 惊艳了全世界 ...7 年后，液压驱动的 Atlas 宣布退役，取而代之的则是更为高效，环保的电动驱动 Atlas。电动驱动系统使得 Atlas 的动作更加流畅自然，接近人类的运动方式，提升了运动效率和稳定性。波士顿动力官方曾分享了一段关于新 Atlas 的视频。视频中，该机器人先是一动不动地趴在地上，随后通过脚部以及头部的巧妙旋转，完成了一个完美的站立。官方称：“下一代... PC版： 手机版：

加入vip 门槛低七七会员vip活动

加入vip 门槛低 七七会员vip活动 加入会员vip 享受永久查看妹子验证视频 vip下单抵扣888元介绍费 vip群内私推专属妹子 介绍费超低 会员vip金额138rmb 现推出活动 入会员仅需138元享受权利一样。 七七包养，只做靠谱 七七包养，只做靠谱 售后服务，全行业第一 vip服务属于门槛消费，用于精准服务 避免口嗨。 vip会费不退还，下单时抵扣888介绍费 活动以最新推送的通知为准， 下单联系@qqby_77 双向联系机器人 @by1666bot

DeepMind推出具身智能“足球运动员” 过人、射门、防守样样精通

DeepMind推出具身智能“足球运动员” 过人、射门、防守样样精通 如今，由 Google DeepMind 研发的具身智能体（agent）一个微型人形机器人，不仅可以快速“奔跑”“过人”“进攻”，还可以阅读比赛，正确预测足球移动方向，以及阻挡对手射门等。 据介绍，在实验中，与对比基线相比，该机器人奔跑速度快了181%，转身速度快了302%，（跌倒后）起身时间缩短了63%，踢球速度快了34%，同时也能有效地将各种技能结合起来，远远超出了人们此前对机器人的固有认知。相关研究论文以“Learning agile soccer skills for a bipedal robot with deep reinforcement learning”为题，以封面文章的形式已发表在 Science 子刊 Science Robotics 上。“足球智能体”是如何踢球的？创建通用具身智能，即创建能够像动物或人类一样在物理世界中敏捷、灵巧和理解地行动的智能体，是人工智能（AI）和机器人领域长期以来共同追求的目标。深度强化学习（deep RL）已被证明能够解决模拟角色和物理机器人的复杂运动控制问题。如今，高质量的四足腿式机器人已经广泛应用，并被用来展示从稳健和敏捷的移动到跌倒恢复、攀爬、基本的足球技能（如带球、射门、截球或接球），以及用腿进行简单的操纵。然而，另一方面，对于人形机器人和双足机器人的控制，投入的工作要少得多，这些机器人对稳定性、机器人安全性、自由度数量和适用硬件的可用性提出了额外的挑战。现有的基于学习的工作更加有限，主要集中在学习和转移独特的基本技能，如行走、跑步、爬楼梯和跳跃。人形控制领域的新技术使用有针对性的基于模型的预测控制，从而限制了该方法的通用性。在这项研究中，为使机器人能够执行长期任务，Google DeepMind 团队讨论了基于学习的人形机器人全身控制。特别是，他们使用深度强化学习训练低成本的现成机器人踢多机器人足球，机器人在训练后展现出的敏捷性和流畅性远超人们的期望。他们专注于从本体感受和运动捕捉观察中获得的感觉运动全身控制，为此训练了一个智能体在模拟中进行简化的一对一足球，并直接将学习到的策略部署在真实机器人上（如下图）。图｜机器人足球环境。Google DeepMind 团队创建了匹配的模拟（左）和真实（右）足球环境。球场长 5 米，宽 4 米，在真实环境中铺有 50 厘米的方形面板。真实环境还配备了一个动作捕捉系统，用于跟踪两个机器人和足球。（来源：该论文）据论文描述，训练流程包括两个阶段。在第一阶段，研究团队训练了两种技能策略：一个是起身站立；另一个是面对未经训练的对手进行射门得分。在第二阶段，通过提炼技能，并使用一种自我博弈形式的多智能体训练，来训练智能体完成完整的 1v1 足球任务，其中对手是从智能体自身的部分训练副本池中抽取的。图｜智能体训练设置。分为两个阶段：在技能训练阶段（左），分别训练了足球技能和起身技能；在提炼和自我发挥阶段（右），将这两种技能提炼成一个既能从地上站起来又能踢足球的个体；第二阶段也包含了自我博弈：从早期训练中保存的策略快照中随机抽取对手。（来源：该论文）结果发现，与从头开始训练智能体进行完整的 1v1 足球任务相比，这种两阶段方法可以带来更好的定性行为和改进的模拟到真实的转移。据介绍，训练后的智能体展现了敏捷和动态的运动能力，包括行走、侧移、踢球、摔倒后恢复和与球的互动，并将这些技能流畅、灵活地组合在一起。另外，智能体也涌现出了一些意想不到的策略，这些策略比脚本策略更充分地利用了系统的全部功能，而这些策略可能是人类根本没有想到的。其中一个例子就是新出现的“转身行为”，即机器人用脚的一角做支点并旋转，这对脚本设计来说具有挑战性，但它的表现却优于较为保守的基线。并排比较学习行为和脚本行为。（来源：Tuomas Haarnoja）此外，这一学习方法可以发现针对特定比赛情况进行优化的行为。例如，与情景相关的敏捷技能，如踢移动的球；新出现的战术，如巧妙的防守跑动模式；以及适应比赛情况的步法，如在接近持球者时与追逐无球对手时相比，步法更短。而且，智能体学会了对足球和对手做出预测，根据比赛环境调整动作，并在较长的时间尺度内协调动作，从而最终完成进球。不足与展望研究团队表示，这项工作为在动态多智能体环境中实际使用深度强化学习灵活控制人形机器人迈出了重要一步。然而，该研究还存在一定的局限性，例如：1）领域特定知识和随机化：研究中的学习流程依赖于一些特定领域的知识和领域随机化，这是机器人学习文献中常见的做法。例如，奖励函数设计和起立技能的训练都需要手动选择正确的技能状态，这可能对更动态的平台来说难以实现或不切实际。2）未利用真实数据进行迁移：研究方法完全依赖于模拟到真实的迁移，而不是在训练中结合真实数据。在真实机器人上进行微调或在模拟训练中混合真实数据可能有助于改善迁移效果，并使得行为更加稳定多样。3）未考虑更大尺寸机器人：研究应用在小型机器人上，并未考虑与更大尺寸相关的额外挑战。当前系统可以在多个方面进行改进，例如，对于更大尺寸的机器人，可能需要考虑更多的动态和稳定性问题。4）性能随时间退化：机器人的性能会随时间快速退化，主要是因为髋关节变松或关节位置编码器校准失误。因此，需要定期进行机器人维护。5）自我博弈设置的不稳定性：在某些情况下，自我博弈可能导致学习不稳定。采用基于群体的训练方案可能提高稳定性，并带来更好的多智能体性能。6）奖励项的权重调整：研究中使用了多个辅助奖励项，其中一些是为了改善迁移（例如，直立奖励和膝盖扭矩惩罚），一些是为了更好的探索（例如，前进速度）。通过加权平均这些不同项作为训练奖励，并通过对超参数的广泛搜索进行调整。然而，多目标强化学习或约束强化学习可能能够获得更好的解决方案。在未来的工作中，研究团队提出了两个重点关注的方向。一个令人兴奋的未来工作方向是“多智能体足球”，即训练两个或更多智能体组成的团队。可以直接应用该论文提出的方法来训练这种设置下的智能体。在初步的 2v2 足球实验中，研究团队观察到智能体学会了劳动分工，这是一种简单的合作形式：如果队友更接近球，那么智能体就不会接近球。然而，这种方法也导致智能体表现出了更少的敏捷行为。另一个工作方向为“从原始视觉训练足球”，也就是说，仅使用机载传感器进行学习，而不依赖于运动捕捉系统的外部状态信息。与可以直接获取球、球门和对手位置的基于状态的智能体相比，基于视觉的智能体需要从有限的高维自我中心相机观测历史记录中推断信息，并随着时间的推移整合部分状态信息，这大大增加了问题的难度。目前，研究团队已经研究了如何训练仅使用机载 RGB 相机和本体感知的视觉智能体。通过神经辐射场模型创建了实验室的视觉渲染，并使机器人学会了包括球的追踪和对手及目标的情境感知在内的行为。 ... PC版： 手机版：