来看看谷歌在过去半年收购的这八家机器人公司

谷歌在半年内收购了八家机器人公司,旨在实现智能化、可移动且灵巧的机器人,能够配合人类或在指定地点工作,专注于机器人视觉、机器人手臂、自动化机器人、协作机器人等技术。

来看看谷歌在过去半年收购的这八家机器人公司

A- A+
虎嗅 2013-12-16 12:57  15  机器人谷歌
来看看谷歌在过去半年收购的这八家机器人公司
谷歌就这样在半年里把这八家机器人公司全部都拿下了,几乎是在没有被任何察觉的情况下。如今这八家公司全都归在谷歌的机器人部门,由安卓系统之夫安迪•鲁宾(Andy Rubin)领导管理。

仔细看一下这些公司,有一件事情是显而易见的,那就是谷歌在机器人视觉领域的计划既多样化又颇具野心。所有收购的这些公司都是为了满足谷歌的一个最终目标:实现一种智能化、可移动且灵巧的机器人,能够配合人类或在人类制定的地点工作。这种仿佛是摘月一般的理想(moonshot)正是像谷歌这样的公司尤其擅长的。

如下列举并简单介绍了谷歌收购的这些公司,我们来看一下:

Schaft:生产强壮、造型紧凑的类人型机器人




该公司的小型研发团队由几位日裔的机器人工程师组成,Schaft 生产的类人型机器人,目标就是为了解决目前大多数机器人设计所面临的中心问题:不够强壮。Schaft 设计的水冷、电容驱动动力系统,中心思想就是要机器人在保持强壮的同时外型紧凑。

Industrial Perception:引领未来的机器人视觉技术




这家公司在软件方面专注于实现机器人轻松定位和识别周围的物体对象,这种技术尤其适用于卡车卸货,机器人既需要判断哪个物体是需要搬运的,还要懂得如何采取行动最有效率。

Redwood Robotics:强壮、便宜的机器人手臂


这家公司的研发产品是新一代的机器人手臂。由位于美西的 Willow Garae、SRI 和 Meka Robotics(同样也被谷歌收购了)联合组建,Redwood Robotics 的目标就是使用机器人“减少单调且重复工作的压力”。

Bot & Dolly:为好莱坞提供自动化机器人





Redwood Robotics 与 Bot & Dolly 的目标差不多,该公司将机器人手臂用于“影院自动化(cinematic automation)”,这家公司最自豪的事情就是参与拍摄了今年的票房大片《地心引力》(Gravity),如果没有 Bot & Dolly 的技术,这部影片将无法完成。

除了 Bot & Dolly 之外,谷歌还收购了其姐妹公司 Autofuss,这是一家专注广告和设计业务的公司。

Meka Robotics:设计能够与人协作的机器人




这家公司的专门研发生产能够在家庭或工作环境中与人类协同工作的机器人。最有名的产品恐怕是其生产的 M1 Mobile Manipulator(M1移动操纵者),这款售价 34 万美元的机器人配备了两个手臂,一个 Kinect 探测器和一个全向转轮基座。这家公司的 S2 Humaniod Head 也在社交机器人领域作了一些探索,这款产品主要用于研究人员进行人机交互研究。

Holomni:高性能滚轮系统

有关这一家公司的消息不多,网站上的资料也不是很丰富。我们目前所知的只是 Holomni 生产小型的全向滚轮和移动装置。

Boston Dynamics:为美国军方生产机器人


Boston Dynamics 于1992年从麻省理工学院分拨出来之后很快就为军方项目提供了研究服务。除了大狗之外,该公司还研发了猎豹(Cheetah)和野猫(WildCat)机器人。猎豹机器人形似猎豹,能够高速奔跑,而野猫机器的型号人比猎豹更为多样化。有趣的是,Boston Dynamics 是替五角大楼研发军用机器人的公司。

(本文摘编自  Venture Beat 和 新浪科技
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