休斯顿太空人队的何塞·阿尔图维（JoséAltuve）以3比2的步数爬升到盘子上，研究投手和情况，从三垒手获得领先，跟踪球的释放，挥杆...并在中路得到一个。这是三届美国联赛击球冠军的又一次旅行。
在相同情况下机器人会受到打击吗？不见得中国机械网okmao.com。
Altuve磨练了自然反应，多年的经验，对投手倾向的了解??以及对各种音高轨迹的理解。
他看到，听到和感觉到的东西与他的大脑和肌肉记忆无缝结合以计时产生撞击的摆动。
另一方面，机器人需要使用联动系统来缓慢地协调来自传感器和电机功能的数据。而且它不记得一件事。罢工三！
但是机器人可能会有希望。马里兰大学研究人员刚刚在《科学机器人》杂志上发表的一篇论文介绍了一种使用所谓的超维计算理论将感知和运动命令相结合的新方法，该方法可以从根本上改变和改善感觉运动表征的基本人工智能（AI）任务—像机器人这样的特工如何将他们的感觉转化为工作。
由计算机科学博士学位撰写的“用神经形态传感器学习感觉运动控制：迈向超维主动感知”。
学生安东·米特罗欣（Anton Mitrokhin）和小彼得·索特（Peter Sutor）；马里兰大学高级计算机研究所的副研究员CorneliaFermüller；和计算机科学教授Yiannis Aloimonos。Mitrokhin和Sutor由Aloimonos提供咨询。
集成是机器人技术领域面临的最重要挑战。机器人的传感器和移动机器人的执行器是独立的系统，通过中央学习机制链接在一起，该机制可根据传感器数据推断出所需的动作，反之亦然。
繁琐的三部分AI系统（每个部分都说自己的语言）是让机器人完成感觉运动任务的缓慢方法。机器人技术的下一步将是将机器人的感知与其运动能力相结合。这种融合称为“主动感知”，将为机器人完成任务提供更有效，更快捷的方法。
在作者的新计算理论中，机器人的操作系统将基于超二维二进制向量（HBV），该向量存在于稀疏且极高维度的空间中。HBV可以代表不同的离散事物，例如，单个图像，概念，声音或指令；例如，由离散事物组成的序列；以及离散事物和序列的分组。
他们可以以有意义的方式解释所有这些类型的信息，将每个模态绑定到等长的1s和0s的长向量中。在该系统中，动作可能性，感觉输入和其他信息占据相同的空间，相同的语言并融合在一起，从而为机器人创造了一种记忆。
《科学机器人》论文标志着第一次将感知和行动结合在一起。
超维度管道。根据无人机飞行期间（a）记录在DVS上的事件数据（b），计算“事件图像”（c）和3D运动矢量（d），并将它们都编码为二进制矢量，并通过特殊矢量操作组合到内存中（e）。给定新的事件图像（f），可以从内存中调用关联的3D运动。
超维框架可以将“即时”的任何序列转换为新的HBV，并将现有的HBV分组在一起，并且所有向量长度相同。这是创建语义上重要的和有根据的“内存”的自然方法。越来越多信息的编码又导致“历史”向量和记忆能力。信号成为矢量，索引转换为内存，学习通过聚类发生。
机器人对其过去所感知和所做的事情的记忆可能会使它期望未来的感知并影响其未来的行动。这种主动的感知将使机器人变得更加自治，并能够更好地完成任务。
Aloimonos说：“一个活跃的感知者知道为什么要感知，然后选择要感知的东西，并确定如何，何时何地实现感知。” “它选择并固定在场景，时间点和情节上。然后，它调整其机制，传感器和其他组件以对想要看到的东西采取行动，并从中选择出最能捕捉其意图的视点。”
“我们的超维度框架可以解决所有这些目标。”
玩
00:00
00:55
静音
设定值
画中画
进入全屏
玩
该视频显示了四旋翼无人机在飞行中获取数据。DVS摄像机直接安装在无人机顶部，以记录其在运动过程中看到的图像。
从0:26开始的像素化视图从无人机的角度显示视图。深度信息以红色显示，而蓝色和绿色通道保留用于事件片段的时间戳记及其使用期限。新的时间戳以蓝色显示，而旧的时间戳逐渐淡入绿色。
马里兰州研究的应用范围可能远远超出机器人技术。最终目标是能够以根本不同的方式来做AI：从概念到信号再到语言。
超多维计算可以为当前在计算应用程序中使用的迭代神经网络和深度学习AI方法（例如数据挖掘，视觉识别以及将图像转换为文本）提供更快，更有效的替代模型。
Mitrokhin说：“基于神经网络的AI方法既庞大又缓慢，因为它们无法记住。” “我们的超维理论方法可以创建内存，这将需要更少的计算，并且应该使此类任务更快，更高效。”
白天捕获的神经形态相机捕获的数据示例。图片来源：Mitrokhin等，科学。机器人。4，eaaw6736（2019年）
更好的运动感测是将机器人的感测与其动作集成在一起所需要的最重要的改进之一。使用动态视觉传感器（DVS）代替常规相机来完成此任务已成为测试超维计算理论的关键组成部分。
数码相机和计算机视觉技术基于仅在“当下”存在的帧中的像素和强度来捕获场景。它们不能很好地表示运动，因为运动是一个连续的实体。
该视频包含DVS摄像机捕获的像素强度的HBV表示的遍历。
DVS的运行方式不同。它不是通常意义上的“拍照”，而是显示了适合于需要解决运动的机器人目的的另一种现实构造。
它捕获了看到运动的想法，尤其是对象移动时的边缘。这种传感器也被称为“硅视网膜”，受到哺乳动物视觉的启发，可以异步记录每个DVS像素处发生的照明变化。
该传感器可适应从黑暗到明亮的各种照明条件，并能以低延迟解决非常快速的运动，这是机器人实时应用（如自主导航）的理想特性。它累积的数据更适合超维计算理论的集成环境。
DVS记录连续的事件流，其中当单个像素检测到光强度对数的某个预定义变化时，会生成事件。这是通过集成在每个像素上的模拟电路来完成的，每个事件均以其像素位置和微秒精度时间戳来报告。
《科学机器人》论文的作者之一科妮莉亚·费尔穆勒（CorneliaFermüller）说：“来自该传感器的数据，即事件云，比图像序列稀疏得多。” “此外，事件云包含用于编码空间和运动的基本信息，概念上是场景中的轮廓及其运动。”
事件云的片段被编码为二进制向量。这使DVS成为实施超维计算理论以将感知与运动能力融合的良好工具。
DVS及时查看稀疏事件，提供有关场景变化的密集信息，并允许对世界动态方面的准确，快速和稀疏感知。它是一个异步差分传感器，其中每个像素都充当一个完全独立的电路，用于跟踪光的强度变化。当检测运动确实是所需的视觉时，DVS是首选工具。