机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

北京亦庄的人形机器人“健身房”展示了国产机器人的最新成果，具备大模型、中英文对话和抓取物品的能力。天工是今年四月份在国内首发的纯电驱全尺寸人形机器人，具备42个自由度和高精度感知能力。创新中心推出了“天工”通用机器人母平台，打造具身智能大模型及框架。

GAIA-1是一个生成性世界模型，可以通过输入视频、文本和动作生成逼真的驾驶场景，预测自动驾驶结果并控制车辆行为和场景特征。该模型具有创新潜力，可加速自动驾驶技术训练。

通过创新的三阶段深度集成机器学习框架(DEML)，该研究预测了澳大利亚24个不同建筑物中室内细颗粒物(PM2.5)的小时浓度，并调查了其与室外PM2.5浓度之间的相关性。DEML模型在大部分传感器中的预测精度优于基准模型，实现了R2值在0.63到0.99之间，RMSE值在0.01到0.663 mg/m3之间。这项研究强调了准确室内空气质量预测的重要性，对于开发特定位置的早期警报系统和制定有效干预措施至关重要，以提高公共健康结果。

这篇文章介绍了一个基于物理感知的单图去雾模型，使用了Curricular Contrastive Regularization方法。文章提供了模型的GitHub地址和代码，并给出了模型的输入和输出信息。代码使用了Microsoft.ML.OnnxRuntime和OpenCvSharp库。

提出了一种基于变换器的 360 图像扩充框架 Dream360，可以从用户选择的视口生成多样、高保真、高分辨率的全景图，考虑了 360 图像的球面特性，并通过两个关键学习阶段（基于 Spherical-VQGAN 的编码本全景扩充和新颖的频率感知细化）实现了更大的扩充灵活性和保真度。

本文介绍了一种使用NVIDIA TensorRT进行优化的高效且稳健的RGB-D分割方法，可作为场景分析系统的公共初始处理步骤。通过评估证明了RGB-D分割优于仅处理RGB图像的效果，并展示了该方法在室内和室外应用场景中的定性结果。

本文介绍了一种名为Stereo Radiance Fields (SRF)的新的神经视图合成方法，通过对输入的立体图像编码进行预测，得出每个3D点的颜色和密度。该方法适用于不同场景，只需要较少的稀疏视图作为输入。实验证明，SRF方法学习了结构而非过拟合，并且经过10-15分钟的微调后，比现有的场景特定模型具有更好的视觉效果。

本文提出了一种基于GNN的方法，利用语义和局部几何形状来指导点云注册候选项的识别。通过识别语义实例关系，减少了点云注册的计算负担。在KITTI测距数据集上测试，相较于基准方法，实现了竞争性的准确度和更高的轨迹平滑度，同时依赖更少的网络参数。

本文研究和评估了在室外神经辐射场中使用深度先验方法对深度感知技术和应用方式的影响。实验证明了训练具有深度先验的神经辐射场模型的有效性。