12月20日-21日
“AIRS2024国际人工智能与机器人大会”
暨“2024深圳智能机器人灵巧手大赛决赛”
将于香港中文大学(深圳)举办
大会设“从前沿到落地:具身智能机器人于AI大模型”主旨论坛
与“具身智能助力电力行业高质量发展”等分论坛
AIRS将通过本公众号陆续发布大会各论坛信息
今天先来一睹主旨论坛的精彩发布环节
【AIRSHIP系列具身智能开源项目发布】
【AIRSHIP系列具身智能开源项目发布】
赋能中国具身智能产业发展
具身智能产业链分上游、中游、下游三部分,上游是零部件,新能源智能车行业很发达,过去十年孵化了很好的零部件产业,这部分我国在国际市场占优。中游是系统集成技术,我国相对落后。下游应用场景又相当丰富,我国在国际市场也占优。AIRS做具身智能一系列开源项目的核心目的是希望把中游系统集成技术突破,连接上下游,打通整个产业链,让行业活络起来。
在中游技术方面具身智能面临三大核心挑战:算法、算力和数据。在本次大会上,AIRS将发布AIRSHIP、AIRSTONE、AIRSPEED三套开源系统以及下一代具身智能基础模型,帮助具身智能行业面对算法、算力和数据三大挑战。
讲座介绍
Talks & Speakers
AIRSHIP:具身智能开源系统解决复杂算法挑战
时间:12月20日 15:20-15:50
地点:香港中文大学(深圳)礼文堂
算法挑战主要体现在如何设计出具有高效感知与决策能力的智能体,这些算法不仅需要在多种传感器信息中进行实时融合,还要应对复杂的环境变化和任务要求。比如,机器人需要能够在没有完全信息的情况下进行推理和决策,处理动态环境中的不确定性,这对现有的深度学习、强化学习等算法提出了更高的要求。此外,跨领域和跨模态的学习任务(如从视觉、触觉和听觉数据中获得统一的理解)也是当前算法研究的难点之一。
演讲嘉宾
刘少山
深圳市⼈⼯智能与机器⼈研究院(AIRS)具⾝智能中⼼主任。研究方向为具⾝智能算法与系统,共发表⾼⽔平学术论⽂超 100篇,其中包括计算系统以及机器⼈⾏业顶级会议 HPCA、MICRO、ASPLOS、DAC、DATE、ICCAD、EMSOFT、FCCM、CICC、ICRA、IROS,计算机学科顶级期刊 《中国科学院院刊》 Proceedings of the IEEE、Communications of the ACM、IEEE Computer、IEEE Transactions on Computers 发表论⽂超 50 篇。撰写中⽂著作《具⾝智能机器⼈系统》,英⽂著作 4 部,研究成果在世界范围内得到广泛关注。
AIRSTONE:计算开源,如何在50美金芯片上运行具身智能系统
时间:12月20日 15:50-16:20
地点:香港中文大学(深圳)礼文堂
算力挑战主要来源于具身智能系统对实时计算的需求。一个具身智能系统通常需要处理来自多个传感器的海量数据,并且这些数据往往需要进行实时分析和决策。例如,自动驾驶汽车需要在毫秒级别做出决策,而机器人在复杂环境中的操作也要求高效的计算能力。随着深度学习和其他复杂算法的发展,算力需求呈指数级增长,尤其是在嵌入式设备或资源受限的场景下,如何设计既高效又低功耗的硬件架构来支持这些计算任务,是当前面临的巨大挑战。
演讲嘉宾
俞 波
俞波,深圳市人工智能与机器人研究院(AIRS)具身智能中心研究员,研究方向包括具身智能机器人和无人驾驶计算系统。
AIRSPEED:开源具身智能数据采集处理系统,突破具身智能数据瓶颈
时间:12月20日 16:20-16:50
地点:香港中文大学(深圳)礼文堂
数据挑战主要表现在数据的获取和处理上。具身智能依赖大量的真实世界交互数据来训练模型,这些数据不仅需要覆盖多种场景、任务和环境变化,还需要具有较高的标注质量和准确性。然而,数据的收集成本高,尤其是对于需要复杂标注的感知数据(如视觉、触觉数据等),且随着智能体对数据的需求不断增加,如何在有限的数据条件下实现高效且准确的学习,是一个重要问题。
演讲嘉宾
夏 轩
夏轩,2017年博士毕业于上海交通大学。现为深圳市人工智能与机器人研究院副研究员。国家自然科学基金主持人,深圳市高层次人才(后备人才),深圳市龙岗区高层次人才(深龙英才)。主要进行机器视觉,多模态学习、具身智能、生成模型、样本合成等方面的研究。主持国家自然科学基金项目,主持广东省自然科学基金项目,主持中国博士后科学基金项目,参与多项国家、省、市基金项目以及多个企业联合项目。发表论文十余篇,申请发明专利十余项。
面向下一代具身智能的通用元学习智能体
时间:12月20日 16:50-17:20
地点:香港中文大学(深圳)礼文堂
上下文持续学习(General-Purpose In Context Learning - GPICL)在具身智能机器人中具有显著的优势。
首先,它能够使机器人在长时间的运行过程中不断适应新的环境和任务,而无需从头开始训练。机器人在执行任务时,能够根据实时获得的上下文信息进行动态调整,这种能力使得机器人能够灵活应对环境的变化,甚至能够在多变的复杂场景中持续优化其行为策略。
其次,上下文持续学习能够有效解决机器人在现实世界中面临的知识过时问题。通过不断地学习新的信息并更新模型,机器人能够避免因使用过时的数据或知识而导致的决策失误。这种自我调整和自我优化的能力对于机器人在未知或高度动态的环境中执行任务尤为重要,能够显著提升其可靠性和适应性。
此外,上下文持续学习有助于提高机器人对复杂任务的处理能力。通过结合上下文信息,机器人能够在多任务和多目标的情况下进行更加精细和智能的决策。例如,机器人能够根据当前的任务状态、环境因素以及与用户的交互历史来调整其策略,使得其行为更加符合当前的需求。这种学习方式特别适合机器人计算,因为机器人需要在物理世界中与环境互动,并不断从中获取新的经验和知识。传统的静态训练方法往往无法满足机器人应对变化的能力,而上下文持续学习通过使机器人在任务执行中不断积累经验和优化行为策略,能够极大地提升其智能水平和实际应用效果。
演讲嘉宾
王 凡
人工智能算法高级工程师,深圳市人工智能与机器人研究院研究员。曾任百度杰出架构师,硕士毕业于CU-Boulder,本科毕业于中国科学技术大学。王凡主要研究领域和研究兴趣包括端到端机器人模型,生成式多模态模型,AI for Science等。发表超过30篇顶会和期刊(包括多篇Nature子刊及封面文章)。在生成式大语言模型,蛋白分子表征大模型,人在回路强化学习,元学习等领域发表过多篇关键的基础性工作,并获得包括吴文俊人工智能科技进步奖特等奖等荣誉。
参会方式
How to join
大会时间
2024年12月20-21日
大会地点
香港中文大学(深圳)
报名方式
请通过二维码报名参会
主办方将通过短信告知具体参会信息
AIRS2024
关注我们,获取更多信息