Habitat是一個新的嵌入式人工智能研究平臺?？梢园阉胂蟪梢粋€機器人的世界，在這個世界里，機器人的訓練采用高效、逼真的3D模擬形式，之后它們就可以被轉移到現(xiàn)實世界中去。

Habitat包括:1. 一個高性能的3D模擬器，具有可配置的代理、傳感器和通用的3D處理功能，內置了對Matterport3D、SUNCG和Gibson數據集的支持。2. Habitat API——一個集成的高級庫，允許用戶在不同的3D場景數據集中使用不同的方法訓練和基準測試人形智能代理。3. Habitat挑戰(zhàn)——以視覺導航為基準并以推進目標為導向的努力。

Habitat是一個范例的轉變。它為人形智能代理提供了一個在現(xiàn)實環(huán)境中行動和學習的環(huán)境，將加速對人形人工智能的研究。這并不是說數據表已經完全轉變了，但盡管數據集在計算機視覺和自然語言處理過程中起到了重要的推動作用，但功能豐富的模擬器可能很快就會開始發(fā)揮作用。當然，這還有很長的路要走，只有人工智能研究社區(qū)的全面參與與投入才能取得成功。

最近，一組研究人員開發(fā)了一個新的大規(guī)模語義KITTI數據集，該數據集在點云序列的點向注釋方面具有特殊的規(guī)模。該數據集是基于KITTI基準的里程測量數據集，包含城市內部交通、居民區(qū)、公路場景和鄉(xiāng)村道路，但不影響原始的里程測量基準。

新數據集也是同類數據中最大的，包括23201個用于訓練、20351個用于測試的完整3D掃描。為了開發(fā)數據集，研究人員避免使用邊界框或KITTI數據集可用的注釋來確保標簽的準確性和一致性。該數據集已在PointNet、PointNet++、切線卷積、SPLATNet、超點圖和SqueezeSeg等六種點云語義分割體系結構上進行了評估和測試。測試結果表明，現(xiàn)有的點云語義分割模型無法匹配數據集的大小和復雜度。

語義KITTI數據集提供了一系列不同的基線實驗，用于使用單個掃描、多個掃描以及語義場景完成任務的語義分割。它還致力于推動計算機視覺和自動駕駛機器人應用的發(fā)展。最近的研究試圖通過一個深層條件變分自動編碼器來解決2D到3D提升的固有困難。研究人員提出了一種基于深度學習的生成模型，以估計的2D姿態(tài)為條件，合成不同的3D姿態(tài)樣本。通過這樣做，他們解決了從2d到3d提升過程中遇到的模糊性。

這是首次將深度條件變分自編碼器(CVAE)應用于3D人體姿態(tài)估計。研究人員使用兩種技術來預測最終的3D姿勢，包括有序排列和甲骨文。從RGB圖像中得到關節(jié)序數關系，并展示了它們對使用oracle報告的3D姿態(tài)樣本進行排序的用法。該方法允許三維姿態(tài)建模，并提供了繪制不同的三維樣本的靈活性，從而在Human3.6M和Human-Eva基準數據集上產生了有競爭力的結果。研究人員是否終于解決了單目三維姿態(tài)估計的長期難題？這項研究讓我的思緒回到了2014年GANs發(fā)現(xiàn)的時代。這是CVAE首次應用于單眼3D姿態(tài)估計。

新框架在兩個基準數據集上獲得了具有競爭力的結果。此外，該模型可以在沒有配對3D監(jiān)督的情況下進行訓練，仍然可以產生有競爭力的結果。我認為這個新模型是人工智能研究社區(qū)愿意深入研究的東西，能夠幫助推動3D姿態(tài)估計的進步。

借鑒已有的生成模型，研究人員提出了新的模仿學習生成前代模型(GPRIL)，該模型對多步生成前代分布進行建模，實現(xiàn)狀態(tài)-動作分布匹配。新方法基于一個概念：即，使用專家演示和環(huán)境動態(tài)增強訓練數據集，這些數據集預先提供給人形人工智能，并且只能通過交互進行觀察。狀態(tài)-動作對使得人形人工智能能夠有效地模仿專家，并通過糾正行為和減少錯誤進行訓練。

通過這種方式，該方法使得人形人工智能可以僅使用少數專家演示和與周圍環(huán)境的自監(jiān)督交互來學習魯棒性的策略。GPRIL在兩個模擬機器人操作任務上達到或優(yōu)于現(xiàn)有的仿真模型，并在真實機器人上顯示了相當高的樣本效率。GPRIL可以幫助我們解決真實世界中訓練人形人工智能的樣本效率低下或計算可行性方面的挑戰(zhàn)。此外，它還有潛力使自主技術訓練過程更安全、快速。

來自中國的研究人員進行研究時，發(fā)現(xiàn)大型機器人網絡仍然存在著一些經常發(fā)生的問題。在由大量機器人組成的網絡中，如果它們缺乏密度分布平衡，就會導致交通擁擠、沖撞和停頓。作為這些問題的解決方案，研究人員提出了一種用于倉儲和物流應用的分區(qū)任務規(guī)劃和行動協(xié)調方法。在任務規(guī)劃方面，對倉庫環(huán)境進行了劃分，并使用一個交通熱力圖實現(xiàn)了機器人的密度分布。

然后，他們應用近鄰任務分配技術，將特定的任務分配給最近的自由機器人，并在拓撲圖中進行高級路徑規(guī)劃。所有行動都能保證交通流動的平衡，并使實時狀態(tài)呈現(xiàn)優(yōu)異表現(xiàn)。另一方面，該方法還通過在每個分區(qū)中的本地協(xié)作算法和用于協(xié)調成對相鄰分區(qū)的通道預留方法來實現(xiàn)行動協(xié)調。在此基礎上，提出了一種在線循環(huán)規(guī)劃機制，提高了模型對機器人運動延遲和通信故障的容忍度。最后，每個機器人對其規(guī)劃的道路路徑實施控制追蹤機制，以避免可能發(fā)生的碰撞。