大模型驱动的具身智能:发展与挑战

大模型驱动的具身智能是涵盖人工智能、机器人学和认知科学的交叉领域,重点研究如何将大模型的感知、推理和逻辑思维能力与具身智能相结合,提升现有模仿学习、强化学习、模型预测控制等具身智能框架的数据效率和泛化能力.近年来,随着大模型能力的不断提升,以及具身智能中示教数据、仿真平台、任务集合的不断完善,大模型和具身智能的结合将成为人工智能的下一个浪潮,有望成为人工智能迈向实体机器人的重要突破口.本文围绕大模型驱动的具身智能这一研究领域,从3个方面进行了系统的调研、分析和展望.首先,回顾了大模型和具身智能的相关技术背景,以及具身智能现有的学习框架.其次,按照大模型赋能具身智能的方式,将现有研究分为大模型驱动的环境感知、大模型驱动的任务规划、大模型驱动的基础策略、大模型驱动的奖励函数、大模型驱动的数据生成等5类范式.最后,总结了大模型驱动的具身智能中存在的挑战,对可行的技术路线进行展望,为相关研究人员提供参考,进一步推动国家人工智能发展战略.

深度学习在光纤成像中的应用进展(特邀)

光纤成像技术借助光纤的微小尺寸与柔韧性能实现对狭窄区域的高分辨率成像,在生物医学、工业检测等领域都有广泛应用。然而,在基于多芯或多模光纤的成像系统中,存在着诸多瓶颈问题限制其成像分辨率与精度。简要介绍了荧光成像、定量相位成像、散斑成像、光谱成像等多种光纤成像模态中应用深度学习解决瓶颈问题的代表性研究工作,并讨论了深度学习与光纤成像交叉研究领域的现有瓶颈,展望了智能光纤成像系统的应用前景。