Habitat是一個新的嵌入式人工智能研究平臺。可以把它想象成一個機器人的世界，在這個世界里，機器人的訓(xùn)練采用高效、逼真的3D模擬形式，之后它們就可以被轉(zhuǎn)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(nèi)置了對Matterport3D、SUNCG和Gibson數(shù)據(jù)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(shù)據(jù)集中使用不同的方法訓(xùn)練和基準測試人形智能代理。3. Habitat挑戰(zhàn)——以視覺導(dǎo)航為基準并以推進目標為導(dǎo)向的努力。

Habitat是一個范例的轉(zhuǎn)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(xué)習(xí)的環(huán)境，將加速對人形人工智能的研究。這并不是說數(shù)據(jù)表已經(jīng)完全轉(zhuǎn)變了，但盡管數(shù)據(jù)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(dāng)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(shù)據(jù)集，該數(shù)據(jù)集在點云序列的點向注釋方面具有特殊的規(guī)模。該數(shù)據(jù)集是基于KITTI基準的里程測量數(shù)據(jù)集，包含城市內(nèi)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(shù)據(jù)集也是同類數(shù)據(jù)中最大的，包括23201個用于訓(xùn)練、20351個用于測試的完整3D掃描。為了開發(fā)數(shù)據(jù)集，研究人員避免使用邊界框或KITTI數(shù)據(jù)集可用的注釋來確保標簽的準確性和一致性。該數(shù)據(jù)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(jié)構(gòu)上進行了評估和測試。測試結(jié)果表明，現(xiàn)有的點云語義分割模型無法匹配數(shù)據(jù)集的大小和復(fù)雜度。

語義KITTI數(shù)據(jù)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(wù)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(yīng)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(xué)習(xí)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(yīng)用于3D人體姿態(tài)估計。研究人員使用兩種技術(shù)來預(yù)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(guān)節(jié)序數(shù)關(guān)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(shù)據(jù)集上產(chǎn)生了有競爭力的結(jié)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(yīng)用于單眼3D姿態(tài)估計。

新框架在兩個基準數(shù)據(jù)集上獲得了具有競爭力的結(jié)果。此外，該模型可以在沒有配對3D監(jiān)督的情況下進行訓(xùn)練，仍然可以產(chǎn)生有競爭力的結(jié)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(xué)習(xí)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(xùn)練數(shù)據(jù)集，這些數(shù)據(jù)集預(yù)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(xùn)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(shù)專家演示和與周圍環(huán)境的自監(jiān)督交互來學(xué)習(xí)魯棒性的策略。GPRIL在兩個模擬機器人操作任務(wù)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(dāng)高的樣本效率。GPRIL可以幫助我們解決真實世界中訓(xùn)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(shù)訓(xùn)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(wǎng)絡(luò)仍然存在著一些經(jīng)常發(fā)生的問題。在由大量機器人組成的網(wǎng)絡(luò)中，如果它們?nèi)狈γ芏确植计胶猓蜁?dǎo)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(yīng)用的分區(qū)任務(wù)規(guī)劃和行動協(xié)調(diào)方法。在任務(wù)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(yīng)用近鄰任務(wù)分配技術(shù)，將特定的任務(wù)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(diào)成對相鄰分區(qū)的通道預(yù)留方法來實現(xiàn)行動協(xié)調(diào)。在此基礎(chǔ)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。