更像人類的導航演算法 Model helps robots navigate more like humans do MIT CSAIL News, October 4, 2018
傳統路徑規劃演算法(RRT*) ，是隨機尋找所有可能路徑，進而推敲出 最加解法，惟此方法無法紀錄、學習走過的路徑，因而增加演算時間。 MIT CSAIL提出一套新的路徑規劃演算法 (DeRRT*)， 融合類神經網路架 構，利用 Convolutional Neural Network (CNN) 搭配 Deep Sequential Models (HMM or LSTM)，讓機器人在移動的同時，觀察周遭環境並記 錄學習，相對於傳統方式，能更快、更省資源找出最佳路徑。 此技術已在車輛導航測試中，成功預測其他車輛的移動模式，後續可 運用在掃地機器人、工廠移動機器人，甚至是自駕車…等領域，亦能 結合 SLAM 技術，廣泛運用在多元地形偵測與建模。 (Read More) (台灣大學 電機研究所 簡碩辰)
讓機器更像孩童一樣學習語言 Robots can now pick up any object after inspecting it. MIT Technology Review, Oct. 31, 2018
近年人工智慧興起，機器自然語言學習變得更為重要。為了避免耗時耗力 的特徵標記，普遍使用弱監督學習和非監督學習，然而在沒有十分大量資 料的情況下，大幅犧牲語意理解的準確性。
CSAIL 教授 Boris Katz 的研究團隊提出一種創新的學習方式，透過合併影片、 新增話語無法明確表達的高級屬性，使語意解析器能在多組候選語句中， 選擇並組合出更有脈絡的上下語句，模型訓練完畢後，亦不須再合併影片 也能清楚解析語言。新的學習方式，使得弱監督學習的成果顯著提升，運 用比準確率更適合評估分類的 F1測量值，從0.1提升到0.6，甚至比有部分 標記偏誤的監督式學習(F1測量值0.4)更加精確。 該計畫由CMBB、國家科學基金會、福特基金會、豐田研究院、MIT-IBM資 助，期待未來能廣泛運用在更多不同類型的產業。(Read More) (台灣大學 工業工程所 鍾偉志)