Bagaimanakah Robot menggunakan AI? [Video dan Kuiz]

Jawapan ringkas: Robot menggunakan AI untuk menjalankan gelung pengesanan, pemahaman, perancangan, tindakan dan pembelajaran yang berterusan, supaya mereka boleh bergerak dan bekerja dengan selamat dalam persekitaran yang berselerak dan berubah-ubah. Apabila sensor menjadi bising atau keyakinan menurun, sistem yang direka bentuk dengan baik akan menjadi perlahan, berhenti dengan selamat atau meminta bantuan daripada meneka.

Kesimpulan utama:

Gelung autonomi: Bina sistem berdasarkan pengertian–faham–rancang–bertindak–belajar, bukan satu model sahaja.

Kekukuhan: Reka bentuk untuk silau, kekusutan, gelinciran dan pergerakan orang yang tidak dapat diramalkan.

Ketidakpastian: Keluarkan keyakinan dan gunakannya untuk mencetuskan tingkah laku yang lebih selamat dan konservatif.

Log keselamatan: Rekod tindakan dan konteks supaya kegagalan boleh diaudit dan diperbaiki.

Susunan hibrid: Gabungkan ML dengan kekangan fizik dan kawalan klasik untuk kebolehpercayaan.

Berikut ialah gambaran keseluruhan tentang bagaimana AI muncul di dalam robot untuk menjadikannya berfungsi dengan berkesan.

Artikel yang mungkin anda ingin baca selepas ini:

🔗 Apabila robot Elon Musk mengancam pekerjaan
Apa yang boleh dilakukan oleh robot Tesla dan peranan mana yang mungkin berubah.

🔗 Apakah robot humanoid AI?
Ketahui cara robot humanoid melihat, bergerak dan mengikuti arahan.

🔗 Pekerjaan apa yang akan digantikan oleh AI
Peranan yang paling terdedah kepada automasi dan kemahiran yang kekal berharga.

🔗 Pekerjaan kecerdasan buatan dan kerjaya masa depan
Laluan kerjaya AI hari ini dan bagaimana AI membentuk semula trend pekerjaan.

Bagaimanakah Robot menggunakan AI? Model mental pantas

Kebanyakan robot yang didayakan AI mengikuti gelung seperti ini:

• Sense 👀: Kamera, mikrofon, LiDAR, sensor daya, pengekod roda, dsb.

• Fahami 🧠: Mengesan objek, menganggarkan kedudukan, mengecam situasi, meramalkan gerakan.

• Rancang 🗺️: Pilih matlamat, kira laluan yang selamat, jadualkan tugasan.

• Bertindak 🦾: Jana arahan motor, cengkaman, guling, imbang, elakkan halangan.

• Belajar 🔁: Tingkatkan persepsi atau tingkah laku daripada data (kadang-kadang dalam talian, selalunya di luar talian).

Kebanyakan "AI" robotik sebenarnya merupakan timbunan kepingan yang berfungsi bersama -persepsi, anggaran keadaan, perancangandan kawalan- yang secara kolektifnya membentuk autonomi.

Satu realiti "lapangan" yang praktikal: bahagian yang sukar biasanya bukanlah meminta robot melakukan sesuatu sekali dalam demo yang bersih—iaitu meminta robot melakukan perkara mudah yang sama dengan andal apabila lampu bertukar, roda tergelincir, lantai berkilat, rak telah bergerak dan orang berjalan seperti NPC yang tidak dapat diramalkan.

Apa yang menjadikan otak AI yang baik untuk robot

Persediaan AI robot yang kukuh bukan sahaja sepatutnya pintar—ia haruslah boleh dipercayai dalam persekitaran dunia sebenar yang tidak dapat diramalkan.

Ciri-ciri penting termasuk:

• Prestasi masa nyata ⏱️ (ketepatan masa penting untuk membuat keputusan)

• Keteguhan terhadap data yang bersepah (silau, hingar, kekacauan, kabur gerakan)

• Mod kegagalan yang anggun 🧯 (perlahankan kenderaan, berhenti dengan selamat, minta bantuan)

• Pembelajaran awal yang baik + pembelajaran yang baik (fizik + kekangan + pembelajaran komputer - bukan sekadar "getaran")

• Kualiti persepsi yang boleh diukur 📏 (mengetahui bila sensor/model rosak)

Robot terbaik selalunya bukan yang boleh melakukan helah yang mencolok sekali, tetapi yang boleh melakukan kerja yang membosankan dengan baik setiap hari.

Jadual Perbandingan Blok Binaan AI Robot Biasa

Persepsi: Bagaimana Robot Menukar Data Sensor Mentah Menjadi Makna

Persepsi adalah tempat robot mengubah aliran sensor menjadi sesuatu yang sebenarnya boleh mereka gunakan:

• Kamera → pengecaman objek, anggaran pose, pemahaman pemandangan

• LiDAR → jarak + geometri halangan

• Kamera kedalaman → Struktur 3D dan ruang bebas

• Mikrofon → isyarat pertuturan dan bunyi

• Sensor daya/tork → cengkaman dan kolaborasi yang lebih selamat

• Sensor taktil → pengesanan gelinciran, peristiwa sentuhan

Robot bergantung pada AI untuk menjawab soalan seperti:

• "Apakah objek yang ada di hadapan saya?"

• "Adakah itu orang atau patung?"

• "Di mana pemegangnya?"

• "Adakah sesuatu bergerak ke arah saya?"

Perincian yang halus tetapi penting: sistem persepsi idealnya harus mengeluarkan ketidakpastian (atau proksi keyakinan), bukan sekadar jawapan ya/tidak—kerana perancangan hiliran dan keputusan keselamatan bergantung pada sejauh mana robot itu pasti

Penyetempatan dan Pemetaan: Mengetahui Di Mana Anda Berada Tanpa Panik

Robot perlu tahu di mana ia berada untuk berfungsi dengan betul. Ini sering dikendalikan melalui SLAM (Penyetempatan dan Pemetaan Serentak): membina peta sambil menganggarkan posisi robot pada masa yang sama. Dalam formulasi klasik, SLAM dianggap sebagai masalah anggaran kebarangkalian, dengan keluarga biasa termasuk pendekatan berasaskan EKF dan berasaskan penapis zarah. [1]

Robot biasanya menggabungkan:

• Odometri roda (penjejakan asas)

• Padanan imbasan LiDAR atau mercu tanda visual

• IMU (putaran/pecutan)

• GPS (di luar, dengan batasan)

Robot tidak selalunya boleh disetempatkan dengan sempurna—jadi susunan yang baik bertindak seperti orang dewasa: menjejaki ketidakpastian, mengesan hanyutan dan kembali kepada tingkah laku yang lebih selamat apabila keyakinan menurun.

Perancangan dan Pembuatan Keputusan: Memilih Apa yang Perlu Dilakukan Seterusnya

Sebaik sahaja robot mempunyai gambaran dunia yang boleh dilaksanakan, ia perlu memutuskan apa yang perlu dilakukan. Perancangan selalunya muncul dalam dua lapisan:

• Perancangan tempatan (refleks pantas) ⚡
  Elakkan halangan, perlahankan kenderaan berhampiran orang ramai, ikut lorong/koridor.

• Perancangan global (gambaran yang lebih besar) 🧭
  Pilih destinasi, laluan di sekitar kawasan yang disekat, jadualkan tugasan.

Dalam praktiknya, di sinilah robot menukar "Saya rasa saya nampak laluan yang jelas" kepada arahan gerakan konkrit yang tidak akan menggunting sudut rak—atau hanyut ke ruang peribadi manusia.

Kawalan: Menukar Pelan Menjadi Gerakan Lancar

Sistem kawalan menukar tindakan yang dirancang kepada gerakan sebenar, sambil menangani gangguan dunia sebenar seperti:

• Geseran

• Perubahan muatan

• Graviti

• Kelewatan motor dan tindak balas

Alatan biasa termasuk PID, kawalan berasaskan model, kawalan ramalan modeldan kinematik songsang untuk lengan—iaitu, matematik yang mengubah "letakkan pencengkam di sana" menjadi pergerakan sendi. [2]

Cara yang berguna untuk memikirkannya:
Perancangan memilih laluan.
Kawalan membuat robot benar-benar mengikutinya tanpa goyah, terlampau jauh atau bergetar seperti troli beli-belah berkafein.

Pembelajaran: Bagaimana Robot Bertambah Baik Daripada Diprogram Semula Selamanya

Robot boleh bertambah baik dengan belajar daripada data dan bukannya ditala semula secara manual selepas setiap perubahan persekitaran.

Pendekatan pembelajaran utama termasuk:

• Pembelajaran diselia 📚: Belajar daripada contoh berlabel (cth., “ini palet”).

• Pembelajaran kendiri 🔍: Pelajari struktur daripada data mentah (cth., meramalkan bingkai masa hadapan).

• Pembelajaran pengukuhan 🎯: Pelajari tindakan dengan memaksimumkan isyarat ganjaran dari semasa ke semasa (selalunya dibingkai dengan ejen, persekitaran dan pulangan). [3]

Di mana RL bersinar: mempelajari tingkah laku kompleks di mana mereka bentuk pengawal dengan tangan adalah sukar.
Di mana RL menjadi pedas: kecekapan data, keselamatan semasa penerokaan dan jurang simulasi-ke-nyata.

Interaksi Manusia-Robot: AI Yang Membantu Robot Bekerja Dengan Manusia

Bagi robot di rumah atau tempat kerja, interaksi adalah penting. AI membolehkan:

• Pengecaman pertuturan (bunyi → perkataan)

• Pengesanan niat (perkataan → makna)

• Pemahaman gerak isyarat (menunjuk, bahasa badan)

Ini kedengaran mudah sehingga anda menyampaikannya: manusia tidak konsisten, aksen berbeza-beza, bilik bising, dan "di sana" bukanlah bingkai koordinat.

Kepercayaan, Keselamatan, dan "Jangan Menyeramkan": Bahagian Yang Kurang Menyeronokkan Tetapi Penting

Robot ialah sistem AI dengan akibat fizikal, jadi amalan kepercayaan dan keselamatan tidak boleh dianggap remeh.

Perancah keselamatan praktikal selalunya merangkumi:

• Memantau keyakinan/ketidakpastian

• Tingkah laku konservatif apabila persepsi merosot

• Tindakan pengelogan untuk penyahpepijatan dan audit

• Batasan yang jelas tentang apa yang boleh dilakukan oleh robot

Satu cara peringkat tinggi yang berguna untuk merangka perkara ini ialah pengurusan risiko: tadbir urus, pemetaan risiko, pengukurannya dan pengurusannya merentasi kitaran hayat—selaras dengan cara NIST menstrukturkan pengurusan risiko AI secara lebih meluas. [4]

Trend "Model Besar": Robot Menggunakan Model Asas

Model asas sedang mendorong ke arah tingkah laku robot yang lebih umum—terutamanya apabila bahasa, visi dan tindakan dimodelkan bersama.

Satu contoh hala tuju ialah visi-bahasa-tindakan (VLA) , di mana sistem dilatih untuk menghubungkan apa yang dilihatnya + apa yang disuruh dilakukannya + tindakan yang perlu diambilnya. RT-2 ialah contoh pendekatan gaya ini yang banyak disebut. [5]

Bahagian yang menarik: pemahaman yang lebih fleksibel dan pada tahap yang lebih tinggi.
Semakan realiti: kebolehpercayaan dunia fizikal masih memerlukan penghadang—anggaran klasik, kekangan keselamatan dan kawalan konservatif tidak hilang hanya kerana robot boleh “bercakap dengan bijak”.

Ucapan Akhir

Jadi, Bagaimanakah Robot menggunakan AI? Robot menggunakan AI untuk melihat, menganggarkan keadaan (di mana saya berada?), merancangdan mengawal- dan kadangkala belajar daripada data untuk menambah baik. AI membolehkan robot mengendalikan kerumitan persekitaran dinamik, tetapi kejayaan bergantung pada sistem yang andal dan boleh diukur dengan tingkah laku mengutamakan keselamatan.

Contoh dunia sebenar: Membina pembantu AI untuk robot gudang

Senario

Bayangkan sebuah gudang pemenuhan kecil yang menggunakan robot mudah alih autonomi untuk memindahkan beg tote yang tertutup dari bangku pembungkusan ke kawasan penghantaran. Robot itu tidak perlu "memahami segala-galanya". Ia perlu melakukan satu tugas dengan andal: mengumpul beg tote, menavigasi lorong yang dikongsi, mengelakkan orang ramai dan trak palet, dan berhenti dengan selamat apabila keyakinan menurun.

Susunan AI akan menggabungkan visi komputer, LiDAR, SLAM, perancangan laluan, mengelakkan halangan dan arahan bahasa asas daripada kakitangan. Seorang penyelia mungkin berkata, "Bawa beg ini untuk menghantar ruang 3," tetapi robot masih memerlukan peraturan keselamatan yang tegas di bawah lapisan bahasa.

Ini adalah contoh yang kukuh kerana ia menunjukkan robot AI berfungsi sebagai susunan praktikal, bukannya satu model gergasi yang membuat tekaan.

Apa yang diperlukan oleh pembantu

Persediaan itu memerlukan:

• Peta gudang, termasuk bangku pembungkusan, ruang penghantaran, zon larangan, titik pengecasan dan lorong sempit

• Data kamera atau kamera kedalaman untuk mengenal pasti beg tote, orang, tanda lantai dan laluan yang disekat

• LiDAR atau sensor jarak lain untuk pengesanan halangan

• Pengekod roda dan data IMU untuk penyetempatan

• Peraturan untuk had laju, jarak berhenti dan tingkah laku selamat manusia

• Senarai tugasan daripada sistem gudang, seperti ID tote, tempat pengambilan dan destinasi

• Log yang merekodkan laluan, skor keyakinan, perhentian, hampir terlepas dan campur tangan manusia

Perkara utamanya ialah pengajaran bahasa tidak seharusnya menjadi satu-satunya lapisan kawalan. Robot mungkin menerima arahan mesra manusia, tetapi gerakan masih harus dikawal oleh kekangan pemetaan, perancangan, kawalan dan keselamatan.

Contoh arahan

Arahan pengendalian mudah untuk pembantu robot boleh kelihatan seperti ini:

Anda ialah pembantu tugas untuk robot mudah alih gudang. Tugas anda adalah untuk menukar permintaan kakitangan kepada tugasan pergerakan selamat. Hanya cipta tugasan apabila titik pengambilan, destinasi dan ID beg galas jelas. Jika terdapat sebarang butiran yang hilang, ajukan satu soalan penjelasan ringkas. Jangan sekali-kali mereka-reka lokasi. Jika laluan disekat, pilih laluan alternatif yang diluluskan jika ada. Jika keyakinan persepsi jatuh di bawah ambang selamat, perlahankan, berhenti atau minta bantuan manusia. Rekodkan setiap pengambilan yang gagal, laluan disekat, perhentian kecemasan dan penggantian manual.

Permintaan kakitangan mungkin:

Alihkan beg tote T-1842 dari meja pembungkusan 6 ke ruang penghantaran 3.

Satu tindak balas yang baik ialah:

Tugas diterima: ambil beg tote T-1842 dari bangku pembungkusan 6 dan hantarkannya ke ruang penghantaran 3. Laluan dipilih melalui lorong B. Kelajuan dihadkan berhampiran lintasan pejalan kaki. Jika lorong B disekat, gunakan laluan sandaran C yang diluluskan.

Satu tindak balas yang buruk ialah:

Sudah tentu, saya akan hantarkannya.

Versi buruk terlalu samar-samar. Ia tidak mengesahkan ID beg tote, tempat pengambilan, destinasi, laluan atau tingkah laku keselamatan.

Cara mengujinya

Sebelum membiarkan robot berfungsi di lorong langsung, ujilah dengan senarai semak kecil:

• Minta ia menggerakkan beg tote dengan butiran lengkap

• Minta ia menggerakkan tote tanpa memberikan ruang penghantaran

• Letakkan halangan berbentuk orang di laluan itu

• Alihkan penanda rak dan semak sama ada keyakinan penyetempatan menurun

• Cipta silau di lantai dan periksa sama ada keyakinan persepsi berubah

• Sekat lorong pilihan dan semak sama ada ia memilih laluan sandaran yang diluluskan

• Minta destinasi yang tidak wujud dan pastikan ia menolak dan bukannya meneka

• Semak log selepas setiap larian untuk mengesahkan bahawa hentian, laluan semula dan penggantian telah direkodkan

Matlamatnya bukan sekadar "adakah robot itu tiba?" Soalan yang lebih baik ialah: "Adakah ia berkelakuan dengan selamat dan boleh diramal apabila persekitaran menjadi tidak menentu?"

Keputusan

Hasil ilustrasi: berdasarkan pemasaan 20 contoh tugasan pemindahan tote di kawasan ujian gudang kecil.

Sebelum menggunakan aliran kerja robot, pelari manusia mengambil masa purata 4 minit 30 saat setiap pergerakan tote, termasuk berjalan kembali ke bangku pembungkusan. Selepas memperkenalkan robot untuk pemindahan tote dari satu titik ke titik yang mudah, masa pengendalian manusia menurun kepada sekitar 50 saat setiap tugas, kebanyakannya untuk memuatkan tote dan mengesahkan kerja.

Itu akan menjimatkan kira-kira 3 minit 40 saat bagi setiap pemindahan tote. Merentasi 80 pemindahan tote setiap hari, anggaran penjimatan masa adalah kira-kira 293 minit, atau kurang daripada 4.9 jam kakitangan setiap hari.

Pemeriksaan keselamatan dalam ujian yang sama harus dijejaki secara berasingan. Contohnya:

• 20 daripada 20 tugasan telah sampai ke destinasi yang betul

• 3 peristiwa laluan yang disekat telah dikendalikan dengan pengubahsuaian laluan yang diluluskan

• 2 peristiwa keyakinan rendah mencetuskan perhentian selamat

• 0 destinasi yang tidak diluluskan telah diterima

• 0 ID tote yang hilang telah diteka

Nombor-nombor ini hanyalah ilustrasi, bukan dakwaan tentang mana-mana produk robot tertentu. Sebuah pasukan boleh mengesahkan keputusan dengan menentukan masa tugas sebelum dan selepas penggunaan, mengira penggantian manual, menyemak log laluan dan menyemak penghantaran yang gagal.

Apa yang boleh menjadi salah

Kegagalan yang paling biasa berlaku ialah memberi robot terlalu banyak kebebasan. Model bahasa mungkin memahami arahan, tetapi itu tidak bermakna ia harus dipercayai untuk mencipta laluan, mengabaikan skor keyakinan atau memutuskan apa yang "mungkin selamat".

Masalah realistik lain termasuk:

• Peta ketinggalan zaman selepas rak atau bangku dipindahkan

• Pencahayaan yang lemah atau lantai yang memantulkan cahaya mengelirukan model penglihatan

• Kakitangan menggunakan nama lokasi tidak rasmi yang tidak dikenali oleh robot

• ID tote yang hilang menyebabkan sistem memilih item yang salah

• Pembalakan yang lemah, menyukarkan siasatan terhadap kejadian hampir berlaku

• Prestasi yang terlalu tinggi tanpa mengukur kegagalan larian dan campur tangan manusia

Peraturan yang kukuh adalah mudah: apabila robot tidak pasti, ia harus menjadi lebih konservatif, bukan lebih kreatif.

Praktikal bawa pulang

Persediaan AI robot yang kukuh dibina berdasarkan tugas yang sempit, input yang jelas, tingkah laku keselamatan yang boleh diukur dan langkah berjaga-jaga yang boleh dipercayai. "Kecerdasan" bukan sekadar mengenali objek atau mengikuti arahan. Ia adalah mengetahui bila hendak bergerak, bila hendak memperlahankan, bila hendak berhenti dan bila hendak meminta bantuan.

Soalan Lazim

Bagaimanakah robot menggunakan AI untuk beroperasi secara autonomi?

Robot menggunakan AI untuk menjalankan gelung autonomi berterusan: mengesan dunia, mentafsir apa yang berlaku, merancang langkah seterusnya yang selamat, bertindak melalui motor dan belajar daripada data. Dalam praktiknya, ini adalah timbunan komponen yang berfungsi secara serentak dan bukannya satu model "ajaib". Matlamatnya adalah tingkah laku yang boleh dipercayai dalam persekitaran yang berubah-ubah, bukan demonstrasi sekali sahaja di bawah keadaan yang sempurna.

Adakah robot AI hanya satu model atau susunan autonomi penuh?

Dalam kebanyakan sistem, AI robot merupakan susunan penuh: persepsi, anggaran keadaan, perancangan dan kawalan. Pembelajaran mesin membantu dengan tugas seperti penglihatan dan ramalan, manakala kekangan fizik dan kawalan klasik memastikan gerakan stabil dan boleh diramal. Banyak penggunaan sebenar menggunakan pendekatan hibrid kerana kebolehpercayaan lebih penting daripada kepintaran. Itulah sebabnya pembelajaran "getaran sahaja" jarang berlaku di luar tetapan terkawal.

Apakah sensor dan model persepsi yang digunakan oleh robot AI?

Robot AI sering menggabungkan kamera, LiDAR, sensor kedalaman, mikrofon, IMU, pengekod dan sensor daya/tork atau sentuhan. Model persepsi menukarkan strim ini kepada isyarat yang boleh digunakan seperti identiti objek, posisi, ruang bebas dan isyarat gerakan. Amalan terbaik yang praktikal adalah untuk mengeluarkan keyakinan atau ketidakpastian, bukan sekadar label. Ketidakpastian itu boleh membimbing perancangan yang lebih selamat apabila sensor merosot akibat silau, kabur atau kekusutan.

Apakah SLAM dalam robotik, dan mengapa ia penting?

SLAM (Penyetempatan dan Pemetaan Serentak) membantu robot membina peta sambil menganggarkan kedudukannya sendiri pada masa yang sama. Ia penting untuk robot yang bergerak dan perlu menavigasi tanpa "panik" apabila keadaan berubah. Input biasa termasuk odometri roda, IMU dan LiDAR atau mercu tanda penglihatan, kadangkala GPS di luar. Susunan yang baik menjejaki hanyutan dan ketidakpastian supaya robot boleh bertindak lebih konservatif apabila penyetempatan menjadi goyah.

Bagaimanakah perancangan robot dan kawalan robot berbeza?

Perancangan menentukan apa yang harus dilakukan oleh robot seterusnya, seperti memilih destinasi, menghalakan laluan di sekitar halangan atau mengelakkan orang. Kawalan mengubah pelan itu menjadi gerakan yang lancar dan stabil walaupun terdapat geseran, perubahan muatan dan kelewatan motor. Perancangan sering dibahagikan kepada perancangan global (laluan gambaran besar) dan perancangan tempatan (refleks pantas berhampiran halangan). Kawalan biasanya menggunakan alat seperti PID, kawalan berasaskan model atau kawalan ramalan model untuk mengikuti pelan dengan andal.

Bagaimanakah robot mengendalikan ketidakpastian atau keyakinan rendah dengan selamat?

Robot yang direka bentuk dengan baik menganggap ketidakpastian sebagai input kepada tingkah laku, bukan sesuatu yang perlu diabaikan. Apabila keyakinan persepsi atau penyetempatan menurun, pendekatan biasa adalah memperlahankan, meningkatkan margin keselamatan, berhenti dengan selamat atau meminta bantuan manusia dan bukannya meneka. Sistem juga merekodkan tindakan dan konteks supaya insiden boleh diaudit dan lebih mudah diperbaiki. Pemikiran "kegagalan yang anggun" ini merupakan perbezaan teras antara demo dan robot yang boleh digunakan.

Bilakah pembelajaran peneguhan berguna untuk robot, dan apa yang menjadikannya sukar?

Pembelajaran pengukuhan sering digunakan untuk kemahiran kompleks seperti manipulasi atau pergerakan di mana mereka bentuk pengawal secara manual adalah sukar. Ia boleh menemui tingkah laku yang berkesan melalui percubaan dan kesilapan berasaskan ganjaran, selalunya dalam simulasi. Pelaksanaan menjadi sukar kerana penerokaan boleh menjadi tidak selamat, data boleh menjadi mahal dan jurang simulasi kepada sebenar boleh melanggar dasar. Banyak saluran paip menggunakan RL secara selektif, di samping kekangan dan kawalan klasik untuk keselamatan dan kestabilan.

Adakah model asas mengubah cara robot menggunakan AI?

Pendekatan model asas mendorong robot ke arah tingkah laku yang lebih umum dan mengikut arahan, terutamanya dengan model visi-bahasa-tindakan (VLA) seperti sistem gaya RT-2. Kelebihannya ialah fleksibiliti: menghubungkan apa yang dilihat oleh robot dengan apa yang disuruh dilakukan dan bagaimana ia harus bertindak. Realitinya ialah anggaran klasik, kekangan keselamatan dan kawalan konservatif masih penting untuk kebolehpercayaan fizikal. Banyak pasukan membingkaikan ini sebagai pengurusan risiko kitaran hayat, semangat yang serupa dengan rangka kerja seperti AI RMF NIST.

Rujukan

[1] Durrant-Whyte & Bailey - Penyetempatan dan Pemetaan Serentak (SLAM): Bahagian I Algoritma Penting (PDF)
[2] Lynch & Park - Robotik Moden: Mekanik, Perancangan dan Kawalan (PDF Pracetak)
[3] Sutton & Barto - Pembelajaran Pengukuhan: Pengenalan (draf edisi ke-2 PDF)
[4] NIST - Rangka Kerja Pengurusan Risiko Kecerdasan Buatan (AI RMF 1.0) (PDF)
[5] Brohan et al. - RT-2: Model Visi-Bahasa-Tindakan Memindahkan Pengetahuan Web kepada Kawalan Robotik (arXiv)

Cari AI Terkini di Kedai Pembantu AI Rasmi

Tentang Kami