SLAM （Simultaneous Localization and Mapping ,即時定位與地圖構建），是機器人通過對各種傳感器數據進行采集和計算，生 成對其自身位置姿態的定位和場景地圖信息的系統。SLAM技術對于機器人的運動和交互能力十分關鍵。
SLAM系統通常包含多種傳感器和多種功能模塊。按照核心的功能模塊區分，目前常見的機器人SLAM系統可分為兩種形式:基于激 光雷達的SLAM（激光SLAM）和基于視覺的SLAM（V-SLAM）。激光SLAM目前發展比較成熟、應用廣泛，未來多傳感器融合的SLAM 技術將逐漸成為技術趨勢，取長補短，更好地實現定位導航。
摘自：《2020服務機器人產業發展研究報告》
SLAM階段：解決從原始傳感器數據開始，構建某種基礎地圖的過程,標注階段：在SLAM結果基礎上進行人為標注，實現更精細的交通規則控制
圖像檢索是計算機視覺中基礎的應用，可分為文字搜圖和以圖搜圖。借助于卷積神經網絡CNN強大的建模能力，圖像檢索的精度越發提高
數據所有權方面，1原始數據屬于個人，2企業享有衍生數據所有權，3政府享有政府數據的歸屬權
腦科學的發展將推動人工智能科學從感知人工智能到認知人工智能的跨越
機械手面臨的難點在于如何在柔性物體上施加可控的擠壓力，以及在非穩定狀況下確保精確、穩健的抓握與柔性指端操控
DFN模型綜合使用了用戶的隱式正反饋（點擊行為）、隱式負反饋（曝光但未點擊的行為）以及顯式負反饋（點擊不感興趣按鈕行為）等信息
軟體機械手充分利用和發揮各種柔性材料的柔順性，及其非線性、粘彈性和遲滯特性等在軟體手運動和控制中潛在的“機械智能”作用，降低控制的復雜度，實現高靈活性、強適應性和良好交互性，在醫療康復領域有重要應用價值
智能客服系統中人機結合的服務形式，從五個維度總結和介紹情感分析技術在智能客服系統中的應用場景，包括情感分析算法模型的原理及實際落地使用方式和效果分析
AI人工智能技術需要構建強有力的IT基礎設施,人工智能的工作主要由采集、準備、訓練和推理四部分組成，每個部分需要讀寫不同類型的數據，工作負載也不盡相同，將給存儲設備帶來較大的挑戰。
基于梯度反向傳播的脈沖神經網絡（SNN）訓練方法逐漸興起。在這種訓練方法下，SNN能夠在保留神經元內部動力學的同時獲得較好的性能
Cartographer跨平臺和傳感器配置,MC2SLAM實時激光里程計系統,LeGO-LOAM種輕量級和地面優化的激光雷達里程計和建圖方法,SUMA++開源的基于語義信息的激光雷達SLAM系統
人工智能為什么會產生“災難性遺忘”？目前，解決災難性遺忘的方案有哪些？難點在哪？來看看專家怎么說
