从停产到宣布倒闭,Kuri 见证了一段家庭机器人兴衰史

家庭机器人制造商Mayfield Robotics因母公司博世不再支持,旗下Kuri机器人停产,公司将于10月31日停止运营。Kuri有语音交互、摄影等功能,但因研发周期长、造价高,交付晚且高价,消费者需求不如预期,最终走向失败。

转自:https://new.qq.com/omn/20180824/20180824A1RPR5.html

曾经勾勒的美好蓝图说没就没了

  -shenzhenware-

  上个月,家庭机器人制造商 Mayfield Robotics 曾宣布,因母公司博世(Bosch)不再为项目提供支持,其旗下的 Kuri 机器人产品正式停产。近日,也就是距离这件事短短不到一个月的时间,Mayfield Robotics 对外公布了另一则坏消息:公司将于今年 10 月 31 日正式停止运营。

  成立于 2015 年的 Mayfield Robotics 由德国工业巨头博世创立并全资拥有,也是博世在人工智能机器人领域的一次试水。之所以停止对项目提供资金、技术等各方面的支持,是因为在经过了几年时间的检验后,博世终究还是没能找到能与 Kuri 匹配的业。

  而对于 Mayfield Robotics 团队来说,Kuri 毕竟是他们四年来的心血,这一点在其公布博客消息中也有体现:「我们团队对此感到非常失望,在过去的四年里,我们共同设计、创造的不仅仅是 Kuri,还有同样令人难以置信的公司文化和精神。」

  像无数创业者一样,Mayfield Robotics 在启动家庭机器人项目 Kuri 时勾勒了美好的蓝图,励志将这个机器人打造成为人类家庭中的一员,最终呈现的产品也确实受到瞩目。

  Kuri 拥有圆润的身材,可转动脑袋和灵动的眼睛,可在家中跟随你来回走动。除了具备语音交互、家电控制、陪伴等功能之外,其最大亮点就是它的摄影功能——根据机器视觉技术识别家庭成员和宠物,能为他们拍摄一组照片或录制一段视频。另外,当麦克风检测到异样的声音时,Kuri 会自动沿着声源方向进行检查,用户也可以通过手机远程遥控机器人到指区域进行监控。总的来说,Kuri 是一个有着可爱外表的语音助手、摄影师,同时也是一个家庭管家。

  不过现在的 Kuri 已经不能再跟着家庭成员一起成长。在 7 月份的公告中,这家公司表示会为未收到货的客户退还定金,目前的情况来看,对于已拥有产品的用户而言,公司停运也就意味着包括产品固件升级、云端在内的产品后续服务的停断,Kuri 只会是个功能有限并且不会升级的产品,并随着时间的推移最终成为一个摆设。

  回过头来,从开始高调入局到逐渐走下坡路,我们也能从这两年的市场变化看出 Mayfield Robotics 项目停止且找不到接盘侠的原因。相对于同样会说话、功能相近的 Echo、Google Home 等智能音箱,灵动的 Kuri 更博人眼球,但其复杂的功能也意味更长的研发周期以及更高的造价成本,直接导致高价以及产品更晚的交付时间。Kuri 产品于 2017 年 1 月的 CES 期间正式发布并开启预订,售价 699 美元。产品于该年底开始发货,但因数量有限,真正收到产品的用户并不多。

  在这几年里,我们见过不少跟 Kuri 类似的家庭机器人,他们背后的创始团队也都怀揣着对人工智能真正走进家庭的理想。而随着时间过去,赤裸裸的事实也已经摆在眼前,偏偏是形态简单的智能音箱做到了这一点,而消费者对家庭机器人的需求并不如想象的大。

  或许,这些家庭机器人并没有错,只是还不是时候,毕竟,将一个看起来简单的智能音箱做好也不是一件简单的事情。

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值