标签：泛化能力

本文介绍的是国防科技大学智能图形计算团队在智能图形学、具身智能、机器学习及三维视觉等方面的研究成果。该团队拥有众多国家级人才，长期致力于数据驱动三维感知、建模与交互的研究，并在国际上发表了大量高质量论文，荣获多个奖项。 在机器人操作领域，抓取任务一直是核心难题之一。该任务的目标是使机械手准确地移动到指定位置并成功抓取物体。近年来，基于学习的方法显著提升了对不同物体抓取的泛化能力，但在灵巧手（多指机械手）上的泛化研究相对较少。由于灵巧手在结构和几何上有很大差异，抓取策略难以在不同灵巧...

在中国，一款名为Astribot S1的人形机器人正以其令人惊叹的技能引起广泛关注。这款由初创公司星尘智能开发的机器人不仅能够完成复杂的家务活动，还能展现出艺术性和娱乐性的表演，例如弹奏乐器、泡功夫茶乃至与宠物互动。本文将深入探讨Astribot S1的独特之处及其背后的技术秘密。 展示非凡技能 Astribot S1能够在不需要外部辅助的情况下，独立完成一系列复杂任务。无论是烹饪美味佳肴，如制作华夫饼并以专业的手法颠勺，还是进行需要精细操作的任务，如泡制功夫茶，它都能够轻松应对。这些操作不仅需要高度的准确性，还...

近日，中国知名互联网资讯平台站长之家(ChinaZ.com)报道了一则重大科技新闻——香港大学携手百度共同推出了创新性的智慧城市模型“UrbanGPT”。这个模型在时空预测技术上取得了显著的进展，解决了传统模型在精准预测上的局限性。时空预测技术现已成为城市管理的关键，不仅涉及交通流量和人口流动，还涵盖了犯罪趋势分析等多个层面。 UrbanGPT的诞生，弥补了城市数据不足导致的预测精度问题，其出色的泛化性能在无样本学习领域展示了巨大的潜力。尽管面临标签稀少、训练成本高以及零样本泛化难题，但UrbanGPT通过采用时空依赖编...

港大与百度携手开发的UrbanGPT是首个智慧城市大模型，该模型全面开源开放。UrbanGPT针对时空预测技术的挑战，如数据稀缺、高昂的训练成本和泛化能力不足，提出了一种新型时空大型语言模型。该模型通过时空依赖编码器和指令微调方法，强化了对时间和空间复杂关系的理解，即使在数据有限的情况下也能提供精确预测。实验表明，UrbanGPT在零样本学习和多种城市任务上表现出卓越性能，尤其在跨区域和跨城市预测中，展示了强大的泛化能力和对时空模式的精确理解。

港科大（广州）的研究团队推出了一款名为LightGPT的大模型，专门用于交通信号控制（TSC），能分析路口交通状况并优化信号灯配置。该模型基于LLMLight框架，该框架利用大模型的泛化能力，提供实时交通状况和先验知识提示，实现透明化的信号灯控制决策。实验证明，LLMLight在多个数据集上表现出优秀的性能和泛化性，优于GPT-4。框架和模型已开源。LLMLight解决了传统方法依赖人力和黑盒决策的问题，通过模仿学习微调和策略优化，使模型能理解和适应实时交通动态。未来研究将探索多模态信息和群体协同的应用。