自旋电子与量子计算中心的负责人；加州大学伯克利分校的乌米什•瓦齐拉尼（Umesh Vazirani），参与指导伯克利量子信息及运算中心的工作。
2019-05-15 10:17
整个DeepMimic所需要的input分为三部分：一个被称为Character的Agent模型；希望Agent学习的参考动作（reference motion）；希望Agent完成的任务（task）所定义的reward function。
2018-10-19 09:06
在缓解交通拥堵方面，只需要控制极少量自动驾驶车辆的速度，就能大幅度提高交通流的效率。多主体强化学习就可以用于这样的场景，在混合驾驶的情况下我们暂时无法通过单一主体来为交通灯和所有的车辆建模，而利用多主体的方法可以有效的解决大范围内多主体间观测和行动的实时性。
2018-12-17 09:26
加州大学伯克利分校的研究人员，近日在著名预印本网站 arXive 上，发布了最新的图像迁移成果：人体姿势和舞蹈动作迁移。
2018-09-03 16:19
行。加州大学伯克利分校也有一个设施。加州大学伯克利分校和德克萨斯A&M大学的这些设施通常用于观察单个事件的影响。
2023-06-30 11:51
传统上，机器人领域将具身搜索（embodied search）看作持续的运动计划问题，其中机器人必须平衡环境探索和对高效轨迹的选择。这就催生了既可以进行路线优化，又可以进行环境探索的方法，可以用滚动时域控制（receding horizon control）进行优化。而我们通过假设检验测试，将该问题看作序列最佳动作定义。
2018-11-24 09:14
BAIR为经常出现在道路上的所有10万个关键帧上的对象标上对象边界框，以了解对象的分布及其位置。下面的条形图显示了对象计数。还有其他方法可以在我们的标注中使用统计信息。例如，我们可以比较不同天气条件或不同类型场景下的对象数量。该图表还显示了BAIR数据集中出现的不同的对象集，以及数据集的规模——超过100万辆汽车。这里应该提醒读者，这些是不同的对象, 具有不同的外观和背景。。
2018-06-03 10:40
触觉为机器人带来更丰富的感知能力
2019-03-29 09:02
在损失函数上，研究者从自然语言社区汲取灵感，即掩码 token 建模已经「让位给了」序列自回归预测方法。一旦图像、视频、标注图像都可以表示为序列，则训练的模型可以在预测下一个 token 时最小化交叉熵损失。
2023-12-05 15:34
Caffe是一个深度学习框架，具有表达力强、速度快和模块化的思想，由伯克利视觉学习中心（BVLC）和社区贡献
2018-04-29 16:23
