DigitalGlobe và CGIAR hợp tác phát triển các giải pháp học máy ứng dụng trong nông nghiệp trên nền tảng GBDX

Mỹ: Các nhà khoa học địa không gian của CGIAR sẽ khai thác thư viện ảnh 100 petabyte của DigitalGlobe bằng cách sử dụng học máy và sức mạnh tính toán của nền tảng GBDX để tạo ra các bộ dữ liệu cơ sở phức tạp hơn trong nông nghiệp, giúp lập kế hoạch các dự án mới, giám sát sức khỏe cây trồng, năng suất cây trồng và tác động đến môi trường của nông nghiệp. Ngoài ra, GBDX sẽ thúc đẩy các nỗ lực nghiên cứu và phát triển của CGIAR nhằm cải thiện các sản phẩm thông tin nông nghiệp và tạo ra những sản phẩm mới.

Với sự hỗ trợ của nền tảng CGIAR cho dữ liệu lớn trong nông nghiệp, các nhà khoa học đang tận dụng GBDX để kiểm tra:

1. Sở hữu đất: thông qua xác định ranh giới đất, các nhà khoa học sẽ hỗ trợ các gia đình bảo vệ quyền sở hữu và giúp cộng đồng trưởng thành và thịnh vượng. Nhóm sẽ ứng dụng ở Ấn Độ, Ethiopia và Tây Phi trước tiên.
2. Ước tính năng suất và sản lượng cây trồng, đảm bảo an ninh lương thực.
3. Bảo tồn tài nguyên nước: các nhà khoa học sẽ mô hình hóa việc sử dụng nước và chất lượng của các lưu vực sông. Kết quả đầu ra sẽ được ghép nối với ảnh có độ phân giải cao để thông báo cho nông dân thời điểm thích hợp để tưới cho các cánh đồng của họ ở Nam Á.
4. Theo dõi sâu bệnh hại: Các nhà khoa học sẽ dự đoán sự lây lan của sâu bệnh hại và bệnh tật để có các biện pháp phòng ngừa sớm. Ban đầu họ sẽ tập trung vào sự lây lan của sâu armyworm ở châu Phi cận Sahara, vốn đã ảnh hưởng đến hàng chục quốc gia trong một năm.

Nguồn: DigitalGlobe and CGIAR partner to accelerate Machine Learning solutions for agriculture using GBDX

Quét 3D cho các cầu trượt siêu tốc

Việc lắp đặt hoặc bảo dưỡng cầu trượt siêu tốc là một công việc quan trong trong ở các công viên giải trí. Công việc phải đảm bảo cho các cầu trượt vận hành tốt nhất với điều kiện tốc độ và lượng khách hằng ngày.

Tiến sĩ Masoud Sanayei tại Đại học Tufts, đã tiến hành nghiên cứu về giám sát sức khỏe cấu trúc của cầu trượt và các cấu trúc khác. Bằng cách sử dụng các dụng cụ như máy đo biến dạng, gia tốc kế, máy đo độ nghiêng, cặp nhiệt điện, cảm biến quang học và các hệ thống thu thập dữ liệu khác nhau, thu thập, đo lường và xử lý thông tin và đánh giá toàn diện tình trạng của các cấu trúc này.

Cụ thể, các mô hình máy tính của ông về các cấu trúc hiện có cần phải phải chịu các loạt tải trong mô phỏng hữu hạn để dự đoán các phản ứng hệ thống cấu trúc. Kết quả của các mô hình mô phỏng này cho thấy cấu trúc phản ứng như thế nào với việc lặp đi lặp lại theo chu kỳ chịu tải. Giáo sư Sanayei và sinh viên tiến sĩ của ông, Sofia Puerto Tchemodanova, đang có kế hoạch sử dụng dữ liệu này để dự đoán những khu vực nào của một cấu trúc có thể hưởng lợi từ việc nghiên cứu tải cho việc duy trì phòng ngừa tiềm năng.

Mặc dù tàu lượn không phải là cầu, nhưng nó vẫn là cấu trúc chịu lực; và giống như một chiếc xe tải, tàu lượn siêu tốc đi trên nó, tương tự như cầu. họ sử dụng dữ liệu được thu thập để phân tích ứng suất và cho sự an toàn và an toàn tối thượng của con người.

Để xác định sức khỏe của các cấu trúc, cần phải tạo ra một mô hình toán học dựa trên vật lý để giải thích và đánh giá phản ứng dự đoán của cấu trúc so với các phép đo thực tế của nó. Để thực hiện phân tích phần tử hữu hạn của mình trên tàu lượn siêu tốc Tiến sĩ Sanayei cần một mô hình 3D chi tiết của cấu trúc. Vì chúng không có trong mô hình CAD, East Coast Metrology được gọi để thực hiện một khảo sát chi tiết các cấu trúc. Tất cả các thành phần từ của hệ thống cần được ghi lại. Bên cạnh đó tích hợp thêm một cánh tay CMM (Máy đo tọa độ – Coordinate Measuring Machine) cầm tay của FARO Edge dùng để nhận biết chính xác các khu vực có nguy cơ cao.

 

Nguồn: Metrology News 

Công nghệ định vị được sử dụng như thế nào trong bóng đá?

Công nghệ Goal-line đã được FIFA sử dụng vào World Cup năm nay điễn ra tại đất nước Nga với mục đích cung cấp kết quả chính xác về bàn thắng bằng cách xác định vị trí của toàn bộ quả bóng xem đã vượt qua khung thành hay chưa. Hai phương pháp chính được sử dụng đó là công nghệ camera và công nghệ từ trường.

Công nghệ dựa trên Camera:

Một số hệ thống sử dụng các máy camera ở các vị trí khác nhau để theo dõi bóng và sử dụng phần mềm chuyên dụng để đánh giá cảnh quay chậm từ tất cả các camera này. Bằng cách này, hệ thống có thể xác định xem toàn bộ quả bóng đã vượt qua vạch đích hay chưa. Hiện tại các hệ thống được cấp phép hoạt động với bảy máy ảnh cho mỗi quả bóng được và vị trí camera được đặt ở nơi có độ cao nhất có thể trong sân vận động.

Công nghệ dựa trên Từ trường:

Đối với các hệ thống sử dụng từ trường, cáp điện sẽ được đặt dưới lòng đất và xung quanh khung thành để tạo ra từ trường cùng với một cảm biến điện tử được đặt ở bên trong quả bóng. Sự tương tác giữa cảm biến trong quả bóng và từ trường được tạo ra thông qua các cáp ngầm cho phép phần mềm chuyên dụng có thể tính toán được vị trí chính xác của quả bóng và xác định xem liệu rằng tình huống trên sân có là bàn thắng hợp lệ hay không

Khi hai hệ thống này xác định tình huồng đó là bàn thắng, kết quả sẽ được truyền đến đồng hồ thông minh được các trọng tài sử dụng trong suốt quá trình diễn ra trận đấu. Các công nghệ này được áp dụng để giúp cho kết quả các trận đấu công bằng và chính xác hơn.

Nguồn: How positioning technologies are being used in soccer?

 

MIT giới thiệu robot được điều khiển bằng não

Các nhà khoa học từ Phòng thí nghiệm trí tuệ nhân tạo và khoa học máy tính của MIT (CSAIL) đang dẫn đầu nghiên cứu về kiểm soát robot bằng cách sử dụng sóng não và các chuyển động tay đơn giản.

Công việc của họ được thiết kế để giảm bớt những thách thức phức tạp của các hệ thống điều khiển robot, thường đòi hỏi lập trình chuyên dụng và thậm chí khả năng xử lý ngôn ngữ.

Hệ thống mới cho phép người giám sát của robot sửa lỗi ngay lập tức và trực quan hơn, sử dụng kết hợp cử chỉ và tín hiệu não, mở đường cho robot hoàn toàn được kiểm soát não và vô số ứng dụng mới.

Theo MIT, hệ thống có thể phát hiện trong thời gian thực nếu người dùng nhận thấy robot gây ra lỗi. Giao diện đo lường hoạt động cơ bắp sau đó chọn cử chỉ tay của nhà điều hành để điều hướng qua danh sách các tùy chọn và chọn các hành động khắc phục cần thiết.

Nghiên cứu trước đây của nhóm nghiên cứu đã tạo ra một hệ thống phản hồi sóng não, sử dụng các thuật toán học máy mới có thể xử lý các tác vụ lựa chọn nhị phân đơn giản. Bây giờ họ đang xây dựng trên công việc đó để bao gồm các hoạt động đa lựa chọn, bao la tăng phạm vi tiềm năng của các hệ thống robot được điều khiển theo cách này.

Thời điểm của sóng não

Thử nghiệm mới nhất của MIT đã thấy một robot hình người được gọi là Baxter, từ Rethink Robotics, sử dụng một mũi khoan điện trên một trong ba mục tiêu có thể, được điều khiển bởi một nhà điều hành sử dụng giao diện mới.

Giám đốc CSAIL Daniela Rus, người giám sát công việc, đã nhận xét về ý nghĩa của nghiên cứu:

Công việc này kết hợp phản hồi điện não đồ (EEG) và điện tâm đồ (EMG) cho phép tương tác tự nhiên của người-robot đối với một bộ ứng dụng rộng hơn chúng ta có thể làm trước đó, chỉ sử dụng phản hồi EEG. Bằng cách bao gồm phản hồi cơ, chúng ta có thể sử dụng cử chỉ để chỉ huy robot không gian, với nhiều sắc thái và độ đặc hiệu hơn.

Công nghệ này thậm chí có thể nhận tín hiệu não của người dùng mới, có nghĩa là các ứng dụng trong tương lai có thể được triển khai nhanh chóng trong tương lai mà không cần đào tạo lâu dài và tốn kém.

Hầu hết các công việc trước đây trong khu vực nói chung liên quan đến các hệ thống chỉ có thể nhận ra tín hiệu não khi mọi người tập luyện để suy nghĩ theo những cách cụ thể – bằng cách nhìn vào các màn hình ánh sáng khác nhau đại diện cho một nhiệm vụ robot nhất định. Tuy nhiên, các loại ràng buộc đó là không thực tế trong hầu hết các triển khai trong thế giới thực.

Nghiên cứu mới nhất của MIT đã có thể vượt qua vấn đề này bằng cách sử dụng các tín hiệu não cụ thể được gọi là các tiềm năng liên quan đến lỗi (ErrPs), có thể được phát hiện khi mọi người nhận thấy những sai lầm. Khi hệ thống phát hiện ra một sai lầm như vậy, nó dừng lại để chờ hướng dẫn thêm từ người giám sát của nó.

Tác giả chính và ứng cử viên tiến sĩ Joseph DelPreto thấy đây là một bước đột phá quan trọng:

Điều tuyệt vời về phương pháp này là không cần huấn luyện người dùng suy nghĩ theo cách được quy định. Máy thích nghi với bạn, và không phải là cách khác.

“Bằng cách nhìn vào cả tín hiệu cơ và não, chúng ta có thể bắt đầu nhận các cử chỉ tự nhiên của một người, cùng với quyết định nhanh chóng của họ về việc liệu có điều gì đó không ổn,” anh giải thích. “Điều này giúp làm cho giao tiếp với một robot giống như giao tiếp với người khác.”

Nguồn: MIT introduces brain-controlled robots