AR训练:美国军犬已经用上AR眼镜了……

2024-03-06 19:50

本文主要是介绍AR训练:美国军犬已经用上AR眼镜了……,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!


全文共2093字,预计学习时长6分钟

AR眼镜一直是穿戴技术领域的大热产品,这股热潮似乎会在2021年达到顶峰。苹果原本计划在2023年推出智能眼镜业务,但今年有传闻说苹果眼镜可能2021年就会推出了。而Facebook宣布了其将在2021年推出智能眼镜产品的计划,LG也迅速做出反应,预计明年将推出一款极轻型AR眼镜以招揽消费者。

 

这些科技巨头以及其他公司都急于争抢行业“头号椅”是有原因的:据ABI Research预测,到2023年,AR眼镜的市场规模将达到1000亿美元。

 

 

美国犬用AR眼镜业务已经在招兵买马了!

 

美国陆军收购了总部位于西雅图的Command Sight公司,并通过“小型企业创新研究”项目获得资金以资助对军用犬AR护目镜即“Doggle”的开发。其目标是创建出一个XR(扩展现实)环境,使士兵通过使用视觉提示和代号能更好地远程指挥军犬。

 

像大多数狗一样,军犬也主要通过接受命令,认知手势以及积极强化来进行反复训练。但是这些方法都要求狗和士兵之间近距离接触。在诸如爆炸装置检测或危险抢救等行动中,解决远程通信的方案是将对讲机系在狗的背上,但这不仅会扰乱军犬行动,还要面临暴露的风险。

 

Command Sight公司的AR眼镜产品能够接收士兵发出的视觉提示,这些提示可以在狗的视线范围内静默出现。该项目最近已顺利进入第二阶段融资中。

 

扩展现实简直就像《杰森一家》中的场景(《杰森一家》发生生背景为科技乌托邦似的2062年)。但实际上,虚拟现实和增强现实技术的XR仿真技术早在几年前就已经出现了,并且被应用于提升工作环境。

 

·        美国海军和空军都是头戴显示器(HMD)的早期使用者,HMD为士兵战斗训练创建了超逼真的模拟环境。

·        波音公司通过XR技术模拟完成了在飞行器上安装电线这一复杂的任务,使工程师的效率提高了30%。

·        沃尔玛采购了17000台Oculus VR头盔以使入职职员的获得工作体验。

 

其他公司也在紧追趋势。《哈佛商业评论》2018年的一项调查发现,20%的企业高管已指示其公司在生产中采用混合现实技术,其中68%的高管认为这对于是否能够实现其未来18个月的战略目标至关重要。

 

企业为创新所做出的种种举动无疑是令人兴奋的。但针对狗设计的AR眼镜背后其实还能反应更多,如果AR会改变人类最好的朋友——狗的行为,那么是否会存在适用于人类的AR眼镜,而改变人类的行为?

 

 

AR,请你改变我的行为

 

大多数网络信息并没有真正引起笔者的注意,笔者更注重的是更加内在和现实的东西,而置身于XR环境能够再次激发出我对技术的痴迷。XR在今年的万圣节上大放异彩。我将恐怖游戏《庄园惊魂:Affected:The Manor 》下载到Oculus Quest上,沉浸式的体验把笔者吓坏了,惊声尖叫,最终邻居们都过来询问我们是否需要帮助。

 

在部分沉浸式AR世界中,有时会达到类似情感深度(引发尖叫)。斯坦福大学的一项研究发现,AR环境中确实存在社交线索:在一个实验中,实验参与者都一致选择了不坐在之前NPC坐过的椅子上。

 

在《教育与信息技术》杂志上发表的一项研究表明,大学商业道德课中的AR模拟对于增加学生的“道德想象力”更有效,这能提高学生的道德敏感性程度。

增强现实技术似乎足以改变个体行为。关键之处就在于XR环境的“真实性”,科学家为此发明了一个术语-“社会存在理论”(social present theory),该术语用于评估虚拟仿真的真实性。

想象一下如果你遵循眼镜的指示,镜片角落就会出现正反馈标识;如若偏离路线,镜架就会轻微震动以警示用户;但这可不只发生在导航模式下,如果营养计划表更新,不按照原来的食谱进餐,AR眼镜也会发出警告。

 

近年来可穿戴技术已经成为人们实现自我一种方式,从其火热的程度就可以看出智能眼镜将使指导性行为技术提升到一个新层次。一方面这让人感到恐惧,另一方面也令人兴奋。

 

图源:unsplash

《哈佛商业评论》的一份报告中,德勤董事总经理艾伦·库克(Allan Cook)指出:“每10到15年,人们使用和应用技术和数据的方式就会发生重大变化”,“混合现实技术就会成为第四次信息技术转变(前三次转变是PC,互联网和移动设备)。随之而来的变化不会比前几次变革小。”

 

看样子我们不必去嫉妒这些即将拥有AR眼镜的狗, 但是随着消费者技术第四次转变即将到来,我们面临的新问题可能不在于智能眼镜是否能够改变个体行为,而在于人类赋予智能眼镜的功能有多少。


推荐阅读专题

留言点赞发个朋友圈

我们一起分享AI学习与发展的干货

编译组:王沁欣

相关链接:

https://debugger.medium.com/if-dogs-can-have-ar-glasses-that-reinforce-good-behavior-why-cant-i-728b60b6fcd9

如转载,请后台留言,遵守转载规范

推荐文章阅读

ACL2018论文集50篇解读

EMNLP2017论文集28篇论文解读

2018年AI三大顶会中国学术成果全链接

ACL2017论文集:34篇解读干货全在这里

10篇AAAI2017经典论文回顾

长按识别二维码可添加关注

读芯君爱你

这篇关于AR训练:美国军犬已经用上AR眼镜了……的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/781144

相关文章

MiniGPT-3D, 首个高效的3D点云大语言模型,仅需一张RTX3090显卡,训练一天时间,已开源

项目主页:https://tangyuan96.github.io/minigpt_3d_project_page/ 代码:https://github.com/TangYuan96/MiniGPT-3D 论文:https://arxiv.org/pdf/2405.01413 MiniGPT-3D在多个任务上取得了SoTA,被ACM MM2024接收,只拥有47.8M的可训练参数,在一张RTX

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering)

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering) Power Iteration Clustering (PIC) 是一种基于图的聚类算法,用于在大规模数据集上进行高效的社区检测。PIC 算法的核心思想是通过迭代图的幂运算来发现数据中的潜在簇。该算法适用于处理大规模图数据,特别是在社交网络分析、推荐系统和生物信息学等领域具有广泛应用。Spa

SigLIP——采用sigmoid损失的图文预训练方式

SigLIP——采用sigmoid损失的图文预训练方式 FesianXu 20240825 at Wechat Search Team 前言 CLIP中的infoNCE损失是一种对比性损失,在SigLIP这个工作中,作者提出采用非对比性的sigmoid损失,能够更高效地进行图文预训练,本文进行介绍。如有谬误请见谅并联系指出,本文遵守CC 4.0 BY-SA版权协议,转载请联系作者并注

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录 在深度学习项目中,目标检测是一项重要的任务。本文将详细介绍如何使用Detectron2进行目标检测模型的复现训练,涵盖训练数据准备、训练命令、训练日志分析、训练指标以及训练输出目录的各个文件及其作用。特别地,我们将演示在训练过程中出现中断后,如何使用 resume 功能继续训练,并将我们复现的模型与Model Zoo中的

2024年AMC10美国数学竞赛倒计时两个月:吃透1250道真题和知识点(持续)

根据通知,2024年AMC10美国数学竞赛的报名还有两周,正式比赛还有两个月就要开始了。计划参赛的孩子们要记好时间,认真备考,最后冲刺再提高成绩。 那么如何备考2024年AMC10美国数学竞赛呢?做真题,吃透真题和背后的知识点是备考AMC8、AMC10有效的方法之一。通过做真题,可以帮助孩子找到真实竞赛的感觉,而且更加贴近比赛的内容,可以通过真题查漏补缺,更有针对性的补齐知识的短板。

多云架构下大模型训练的存储稳定性探索

一、多云架构与大模型训练的融合 (一)多云架构的优势与挑战 多云架构为大模型训练带来了诸多优势。首先,资源灵活性显著提高,不同的云平台可以提供不同类型的计算资源和存储服务,满足大模型训练在不同阶段的需求。例如,某些云平台可能在 GPU 计算资源上具有优势,而另一些则在存储成本或性能上表现出色,企业可以根据实际情况进行选择和组合。其次,扩展性得以增强,当大模型的规模不断扩大时,单一云平

神经网络训练不起来怎么办(零)| General Guidance

摘要:模型性能不理想时,如何判断 Model Bias, Optimization, Overfitting 等问题,并以此着手优化模型。在这个分析过程中,我们可以对Function Set,模型弹性有直观的理解。关键词:模型性能,Model Bias, Optimization, Overfitting。 零,领域背景 如果我们的模型表现较差,那么我们往往需要根据 Training l

如何创建训练数据集

在 HuggingFace 上创建数据集非常方便,创建完成之后,通过 API 可以方便的下载并使用数据集,在 Google Colab 上进行模型调优,下载数据集速度非常快,本文通过 Dataset 库创建一个简单的训练数据集。 首先安装数据集依赖 HuggingFace datasetshuggingface_hub 创建数据集 替换为自己的 HuggingFace API key

【YOLO 系列】基于YOLOV8的智能花卉分类检测系统【python源码+Pyqt5界面+数据集+训练代码】

前言: 花朵作为自然界中的重要组成部分,不仅在生态学上具有重要意义,也在园艺、农业以及艺术领域中占有一席之地。随着图像识别技术的发展,自动化的花朵分类对于植物研究、生物多样性保护以及园艺爱好者来说变得越发重要。为了提高花朵分类的效率和准确性,我们启动了基于YOLO V8的花朵分类智能识别系统项目。该项目利用深度学习技术,通过分析花朵图像,自动识别并分类不同种类的花朵,为用户提供一个高效的花朵识别

深度学习与大模型第3课:线性回归模型的构建与训练

文章目录 使用Python实现线性回归:从基础到scikit-learn1. 环境准备2. 数据准备和可视化3. 使用numpy实现线性回归4. 使用模型进行预测5. 可视化预测结果6. 使用scikit-learn实现线性回归7. 梯度下降法8. 随机梯度下降和小批量梯度下降9. 比较不同的梯度下降方法总结 使用Python实现线性回归:从基础到scikit-learn 线性