🦾 Grabette: открытая система для записи данных манипуляции роботами

Исследователи из Hugging Face (совместно с Pollen Robotics) представили Grabette — недорогой открытый хендхелд-гриппер для сбора демонстраций манипуляций. Система позволяет записывать действия рукой с камерой, а затем автоматически превращать их в датасеты, готовые для обучения роботов. Никакого специального оборудования или лаборатории не требуется — достаточно самого гриппера и веб-браузера.

Проект вдохновлён Stanford UMI, но сделан максимально доступным: обработка траекторий через SLAM выполняется прямо в браузере, без установки софта. Данные публикуются на Hugging Face Hub через экосистему LeRobot. Основная цель — создать крупный открытый датасет манипуляций, собранный силами сообщества, а не одной лаборатории.

Подробности и инструкции по сборке — в блоге Hugging Face.

#Tech #Robotics #DataSet #OpenCode #HuggingFace #Grabette

⚛️ Учёные NWPU научили ИИ определять момент пика эмоций

Исследователи Северо-западного политехнического университета (NWPU) создали мультимодальный датасет FIRMED, который позволяет ИИ находить точные секунды, когда эмоция действительно достигает пика. Традиционные модели присваивают один эмоциональный ярлык всему видеоклипу, из-за чего нейтральные и переходные фрагменты засоряют данные. Команда профессора Се Сунъюня из Школы искусственного интеллекта исправила это, опираясь на «правило пика-конца» из когнитивной психологии.

Участники после просмотра видео сразу отмечали яркие эмоциональные моменты и указывали категорию и интенсивность переживания. Вокруг каждой отметки строилось «окно эмоционального события» длиной 4 секунды — по две секунды до и после пика. Сравнение показало, что именно такой размер оптимален: расширение до пяти секунд размывало признаки удивления и отвращения. Независимая проверка дала коэффициент согласия Cohen’s kappa 0,96, а 97,7% временных меток отклонялись от пика не более чем на секунду.

На восьми алгоритмах — от классического ML до рекуррентных и графовых нейросетей — точность распознавания выросла с 34,7% до 38,5%. Больше всего выиграли глубокие пространственно-временные модели. Практический смысл: интерфейсы смогут реагировать в самый эмоционально напряжённый момент, а носимые устройства — предупреждать о резких изменениях состояния в реальном времени. Это шаг от классификации целого клипа к поиску ключевых эмоциональных событий.

#AI #Emotions #Tech #NWPU #DataSet #NeuroScience