วีดีโอ

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� 务，而无需从头开始训练。机器人在执行� 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� 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� 务的处理能力。通过结合上下文信息，机器人能够在多� 务和多目标的情况下进行更加精细和智能的决策。...

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、� 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。

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� 务，是当前面临的巨大挑战。

airs.cuhk.edu.cn/en/airship AIRSHIP：具身智能开源系统解决复杂算法挑战 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� 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� 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。

The Making of AIRSHIP - AIRSHIP CHAT airs.cuhk.edu.cn/en/airship gitlab.airs.org.cn/embodied-ai/airship

The Making of AIRSHIP - AIRSHIP SIMULATION airs.cuhk.edu.cn/en/airship gitlab.airs.org.cn/embodied-ai/airship

The Making of AIRSHIP - AIRSHIP PERCEPTION airs.cuhk.edu.cn/en/airship gitlab.airs.org.cn/embodied-ai/airship

The Making of AIRSHIP - AIRSHIP LOCALIZATION airs.cuhk.edu.cn/en/airship gitlab.airs.org.cn/embodied-ai/airship

The Making of AIRSHIP - AIRSHIP NAVIGATION airs.cuhk.edu.cn/en/airship gitlab.airs.org.cn/embodied-ai/airship

The Making of AIRSHIP - AIRSHIP GRASP airs.cuhk.edu.cn/en/airship gitlab.airs.org.cn/embodied-ai/airship

The Making of AIRSHIP - AIRSHIP PLANNER airs.cuhk.edu.cn/en/airship gitlab.airs.org.cn/embodied-ai/airship

The Making of AIRSHIP - AIRSHIP OBJECT airs.cuhk.edu.cn/en/airship gitlab.airs.org.cn/embodied-ai/airship

Talk at the 11th Institute of Public Policy (IPP) International Conference: Societal Impact of Embodied AI cacm.acm.org/blogcacm/societal-impacts-of-embodied-ai/

2024 IEEE International Symposium on Roadmapping Devices and Systems (IRDS) Autonomous Machine Computing Update cacm.acm.org/blogcacm/societal-impacts-of-embodied-ai/ cacm.acm.org/research/the-vulnerability-adaptive-protection-paradigm/ cacm.acm.org/blogcacm/establishing-standards-for-embodied-ai/ cacm.acm.org/blogcacm/building-foundation-models-for-embodied-artificial-intelligence/ cacm.acm.or...

AIRSHIP: Empowering Intelligent Robots through Embodied AI, Stronger United, Yet Distinct.

UCI EECS221 Seminar - Autonomous Machine Computing

2023 IEEE International Roadmap for Devices and Systems: Autonomous Machine Computing

Dilemma of the Artificial Intelligence Regulatory Landscape

IFIP International Conference on Network and Parallel Computing (NPC 2022) Part I

The 19th IFIP International Conference on Network and Parallel Computing (NPC 2022) Part II

Empowering Affordable Universal Healthcare Access through Autonomous Mobile Clinics (AI Seoul 2022)

Factor Graph Accelerator for LiDAR-Inertial Odometry (IEEE/ACM ICCAD 2022)

IEEE COMPSAC 2022 PANEL: Reliability of Autonomous Machines

ISRDS DAY 1 2022 IRDS 02 Autonomous Machine Computing by Shaoshan Liu

IEEE International Symposium on Roadmapping Devices and Systems 2022 - Autonomous Machine Computing

Texas A&M CESG SEMINAR: On Designing Computing Systems for Autonomous Vehicles

DragonFly Pod operation in Beijing (U turn)

operation in Beijing

Operation in Shanghai 3