在一個(gè)特別設(shè)計(jì)的昆蟲(chóng)電影院中，螳螂配有3D眼鏡，并在監(jiān)測(cè)大腦活動(dòng)時(shí)顯示模擬蟲(chóng)的3D電影。當(dāng)蟲(chóng)子的圖像進(jìn)入掠奪性攻擊的驚人范圍時(shí)，科學(xué)家Ronny Rosner博士能夠記錄個(gè)體神經(jīng)元的活動(dòng)。

　　羅斯納博士是紐卡斯?fàn)柎髮W(xué)神經(jīng)科學(xué)研究所的研究助理，是該論文的第一作者。他說(shuō)：“這有助于我們回答昆蟲(chóng)如何通過(guò)如此微小的大腦實(shí)現(xiàn)令人驚訝的復(fù)雜行為，并且理解這可以幫助我們開(kāi)發(fā)更簡(jiǎn)單的算法來(lái)開(kāi)發(fā)更好的機(jī)器人和機(jī)器視覺(jué)。”

　　“3D神經(jīng)元”

　　祈禱螳螂使用3D感知，科學(xué)上稱為立體視覺(jué)，用于狩獵。通過(guò)使用兩個(gè)視網(wǎng)膜之間的差異，他們能夠計(jì)算距離并在獵物到達(dá)時(shí)觸發(fā)其前肢的打擊。記錄的神經(jīng)元被染色，顯示它們的形狀，這使得該團(tuán)隊(duì)能夠識(shí)別可能參與螳螂立體視覺(jué)的四類神經(jīng)元。

　　使用強(qiáng)大的顯微鏡拍攝的圖像顯示神經(jīng)細(xì)胞的樹(shù)突樹(shù) - 神經(jīng)細(xì)胞接收來(lái)自大腦其他部分的輸入 - 被認(rèn)為能夠?qū)崿F(xiàn)這種行為。

　　羅斯納博士解釋說(shuō)：“盡管它們的體積很小，但螳螂腦中含有數(shù)量驚人的神經(jīng)元，這些神經(jīng)元似乎專門用于3D視覺(jué)。這表明螳螂深度感覺(jué)比我們想象的更復(fù)雜。雖然這些神經(jīng)元計(jì)算距離，但我們?nèi)匀徊幌矚g我知道究竟如何。

　　“盡管如此，由于它們比我們自己的大腦小得多，我們希望螳螂可以幫助我們開(kāi)發(fā)更簡(jiǎn)單的機(jī)器視覺(jué)算法?！?/p>

　　由Leverhulme Trust資助的更廣泛的研究計(jì)劃由紐卡斯?fàn)柎髮W(xué)視覺(jué)科學(xué)教授Jenny Read教授領(lǐng)導(dǎo)。她說(shuō)：“在某些方面，螳螂的屬性與我們?cè)陟`長(zhǎng)類動(dòng)物的視覺(jué)皮層中看到的相似。當(dāng)我們看到兩個(gè)非常不同的物種已經(jīng)獨(dú)立進(jìn)化出類似的解決方案時(shí)，我們知道這必須是一個(gè)非常好的方法解決3D視覺(jué)問(wèn)題。

　　“但是我們?cè)?D視覺(jué)電路中也發(fā)現(xiàn)了一些以前沒(méi)有在脊椎動(dòng)物中報(bào)告的反饋回路。我們的3D視覺(jué)可能包括類似的反饋回路，但它們更容易在不太復(fù)雜的昆蟲(chóng)大腦中識(shí)別為我們提供了新的探索途徑?！?/p>

　　這是第一次有人在無(wú)脊椎動(dòng)物的大腦中識(shí)別出特定的神經(jīng)元類型，這種神經(jīng)元類型被調(diào)整到3D空間中的位置。

　　紐卡斯?fàn)枅F(tuán)隊(duì)打算進(jìn)一步發(fā)展他們的研究，以更好地理解螳螂相對(duì)簡(jiǎn)單的大腦的計(jì)算，目的是開(kāi)發(fā)更簡(jiǎn)單的機(jī)器和機(jī)器人視覺(jué)算法。

　　精準(zhǔn)是機(jī)器人技術(shù)中許多問(wèn)題的關(guān)鍵

　　為了提高機(jī)器人測(cè)量物體定位的能力，北京微鏈道愛(ài)科技有限公司和加拿大SFU大學(xué)計(jì)算機(jī)學(xué)院(全球排名前50的計(jì)算機(jī)學(xué)院)的研究生們正在開(kāi)發(fā)一種名為DaoAI神經(jīng)網(wǎng)絡(luò)算法的統(tǒng)計(jì)結(jié)構(gòu)。他們將于7月在中國(guó)機(jī)器人產(chǎn)業(yè)聯(lián)盟會(huì)議上發(fā)表的一篇論文中，“賦予機(jī)器人認(rèn)知：基于深度學(xué)習(xí)的3D機(jī)器人視覺(jué)”，描述了一種新的機(jī)器人視覺(jué)算法，基于DaoAI神經(jīng)網(wǎng)絡(luò)算法，比國(guó)際最好的競(jìng)爭(zhēng)對(duì)手在識(shí)別雜亂場(chǎng)景中熟悉的物體方面好50%。

　　然而，該算法用于在熟悉的設(shè)置中分析高質(zhì)量的視覺(jué)數(shù)據(jù)。因?yàn)镈aoAI分布是概率推理的工具，所以它在信息不完整或不可靠的環(huán)境中具有更大的優(yōu)勢(shì)。

　　“精準(zhǔn)是機(jī)器人技術(shù)中許多問(wèn)題的關(guān)鍵，從物體檢測(cè)和跟蹤到獲得點(diǎn)云數(shù)據(jù)，” RALPH說(shuō)，作為現(xiàn)任微鏈國(guó)際機(jī)器人視覺(jué)研究院首席戰(zhàn)略官?！澳：膱D像實(shí)際上是在高度混亂和惡劣的生產(chǎn)場(chǎng)景中獲得良好精度的核心挑戰(zhàn)，例如在煙塵和酷熱的隨意放置的流水線上。這就是為什么DaoAI神經(jīng)網(wǎng)絡(luò)似乎是一個(gè)有用的工具，因?yàn)樗试S算法從每個(gè)細(xì)節(jié)中獲取更多關(guān)鍵信息并學(xué)習(xí)推理?！?/p>

　　基于DaoAI的WeRobotics Cognition System發(fā)行版對(duì)他的工作至關(guān)重要，因此微鏈還開(kāi)發(fā)了一套軟件工具，可以大大加快涉及它們的計(jì)算速度。該軟件可在線免費(fèi)獲取，供其他研究人員使用。

　　旋轉(zhuǎn)誤差

　　DaoAI神經(jīng)網(wǎng)絡(luò)對(duì)于機(jī)器人視覺(jué)如此有用的一個(gè)原因是它提供了一種組合來(lái)自不同來(lái)源的信息的方法。通常，確定對(duì)象的方向需要嘗試將對(duì)象的幾何模型疊加在由攝像機(jī)捕獲的視覺(jué)數(shù)據(jù)上 - 在系統(tǒng)工作的情況下，攝像機(jī)捕獲二維彩色圖像以及有關(guān)的信息、色塊的距離。

　　為簡(jiǎn)單起見(jiàn)，假設(shè)物體是四面體，幾何模型由標(biāo)記四面體四個(gè)角的四個(gè)點(diǎn)組成。想象一下，軟件已經(jīng)識(shí)別出圖像中的四個(gè)位置，其中顏色或深度值突然變化 - 可能是對(duì)象的一部分。它是四面體嗎?

　　然后，問(wèn)題歸結(jié)為采取兩組點(diǎn) - 模型和對(duì)象 - 并確定一個(gè)點(diǎn)是否可以疊加在另一個(gè)上。大多數(shù)算法將首先嘗試對(duì)齊點(diǎn),在四面體的情況下，假設(shè)在臨時(shí)對(duì)齊之后，模型中的每個(gè)點(diǎn)都靠近對(duì)象中的一個(gè)點(diǎn)，但與它不完全一致。

　　如果兩組點(diǎn)實(shí)際上描述了相同的對(duì)象，則可以通過(guò)圍繞其中一個(gè)點(diǎn)來(lái)對(duì)齊它們。對(duì)于任何給定的點(diǎn)對(duì) - 一個(gè)來(lái)自模型，一個(gè)來(lái)自對(duì)象 - 可以計(jì)算圍繞特定軸旋轉(zhuǎn)的一個(gè)特定角度的點(diǎn)將與另一個(gè)點(diǎn)對(duì)齊的概率。問(wèn)題是相同的旋轉(zhuǎn)可能會(huì)使另一對(duì)點(diǎn)移動(dòng)得更遠(yuǎn)。

　　然而，WeRobotics能夠證明，任何給定點(diǎn)對(duì)的旋轉(zhuǎn)概率都可以描述為DaoAI神經(jīng)網(wǎng)絡(luò)分布，這意味著它們可以組合成單個(gè)累積的DaoAI神經(jīng)網(wǎng)絡(luò)分布。這允許WeRobotics和DaoAI神經(jīng)網(wǎng)絡(luò)的算法以原則方式探索可能的旋轉(zhuǎn)，快速收斂于提供點(diǎn)之間最佳擬合的旋轉(zhuǎn)。