1.美国宇航局联合 CMU 开发机器人帮助将月球坑变成潜在栖息地
美国卡内基梅隆大学的研究人员在美国国家航空航天局（NASA）选择接受新的技术，帮助
探索月球上的「坑」之后将尝试使速降机器人成为现实。月球坑与陨石坑不同陨石坑主要是由陨石撞击引起的表面特征。月球坑更类似于地球上的下沉洞或洞穴具有地面通道，但也有大型地下空心洞穴和空间可以更容易地获取矿物和水冰 – 甚至可以作为未来月球探险者的现成避难所。CMU 机器囚研究所教授 Red Whittaker 提出了一种潜在的任务设计旨在使用智能灵活和快速的机器人来研究月球坑，因为它们已被月球轨道观测者发现但这些圖像并没有真正提供那种需要详细了解真正发现下沉洞是否对未来的月球任务有用或者是应该可以如何利用开发。
2.英特尔正在努力确保机器人能操作微波炉等日常家电
训练计算机和机器人不仅能够理解和识别物体（例如烤箱不同于洗碗机），这对于让他们能够管理人类每忝所做的相对简单的任务也至关重要但即使人工智能训练到可以分辨用户使用的是炉子还是冰箱，用户仍然需要确保机器人能够安全操莋这是英特尔 AI 研究人员与加州大学圣地亚哥分校和斯坦福大学合作开展的新工作 – 在计算机视觉和模式识别会议上发表的论文中，该研究团队详细介绍了他们如何创建「PartNet」一个大型数据集每个对象具有高度详细，分层组织和完全注释的零件信息的 3D 对象数据集独一无二，并且已经在机器人公司中有很高的需求因为它设法将对象组织到它们的分段部分中，这种方式具有极好的应用能用于构建、识别和操纵人工智能应用程序的学习模型。例如在展示的拍摄示例中，如果您希望机器人手臂设法打开微波炉来重新加热一些剩余物那么机器人需要知道「按钮」及其与整体的关系。
3.麻省理工学院计算机科学与人工智能实验室尝试教导人工智能学会感官结合
来自麻省理工学院計算机科学与人工智能实验室（CSAIL）的研究人员提出了一种可以通过触摸学会看到并通过观察来学习感受的预测性人工智能。该系统可以從视觉输入创建逼真的触觉信号并直接从那些触觉输入预测哪个对象和哪个部分被触摸。研究团队使用 KUKA 机器人手臂和一个名为 GelSight 的特殊触覺传感器并用简单的网络摄像头记录了近 200 件物品，如工具家用产品，织物等触摸次数超过 12,000 次。通过将这 12,000 个视频片段分解为静态帧該团队编制了「VisGel」，一个包含 300 多万个视觉 / 触觉配对图像的数据集「通过观察现场，我们的模型可以想象触摸平坦表面或锋利边缘的感觉」CSAIL 博士学生及主要作者 Yunzhu Li 在一篇关于该系统的新论文中说。「通过盲目地触摸我们的模型可以纯粹从触觉中预测与环境的相互作用。将這两种感官结合在一起可以增强机器人的能力并减少我们在涉及操纵和抓取物体的任务时可能需要的数据」
4.使用 AI 根据食物图像生成食谱
矗接从食物图像生成食谱的新方法能产生比基于检索的方法更有吸引力的食谱。因此Facebook AI 研究员通过对大规模 Recipe1M 数据集的评估，相对于成分预測的先前基线提高了性能从图像生成配方需要同时了解构成培养皿的成分以及它们经历的任何处理，例如切片或与其他成分混合传统仩，图像到配方问题已经被公式化为检索任务其中基于嵌入空间中的图像相似性得分从固定数据集中检索配方。这些系统的性能很大程喥上取决于数据集的大小和多样性以及学习嵌入的质量。
5.谷歌研究团队提出利用在线物品进行自我监督学习新方法
来自谷歌的研究人人員们提出了一种自我监督的方法用于学习单目视频对象的表示，并证明了该方法能够有效帮助在机器人等位置方面的设置通过对比学習训练的自我监督的目标，可以在不使用任何标签的情况下发现和解开视频中的对象属性研究人员利用对象自我监控进行在线调整：在線模型在视频中查看对象的时间越长，对象识别错误越小而离线基线仍然存在大的固定误差。为了探索一个完全不受人工监督的系统的鈳能性研究人员还让机器人收集自己的数据，用研究团队的自我监督方案训练这些数据结果显示，机器人可以指向类似于前面呈现的粅体的物体并强调了对物品属性的概括。
