专用无线网络助力加州(California)葡萄园的拖拉机保持顺畅运行。

图片说明:Federated Wireless和Blue White Robotics与英特尔合作,为加州葡萄园的拖拉机提供自动驾驶技术。其中一款拖拉机在今年5月的英特尔On产业创新峰会(Intel Vision)上亮相,这款拖拉机可自动执行重复性任务,并把工人从繁琐任务中解放出来,从而腾出精力处理价值更高的任务。
最新消息:在英特尔On 产业创新峰会(Intel Vision)上,英特尔展示了当公司将高带宽、低时延的专用5G无线网络与边缘计算设备结合使用时所带来的可能性。英特尔与Federated Wireless(无线基础设施解决方案提供商)和Blue White Robotics(以色列自动驾驶解决方案提供商)合作,为加州葡萄园的自动驾驶拖拉机提供技术支持,使其能够自动执行重复性任务,并将工人从繁琐任务中解放出来,从而腾出精力去处理价值更高的任务。
英特尔副总裁兼网络业务孵化器部门总经理Caroline Chan表示:“展望自动化农业的未来时,我们对5G边缘解决方案的前景感到非常乐观,并相信这些解决方案能够帮助客户创造新的业务和收入模式。”
运作方式:在农场主绘制好拖拉机的路线后,车队就可以开始工作了。拖拉机在无人驾驶的情况下,以两班倒的方式、24小时不间歇地穿梭于葡萄园中。此外,拖拉机上配备的传感器还可检测到路径中出现的障碍物,而其他传感器则可引导拖拉机避开这些障碍物。
在三方合作的一年多时间里,自动拖拉机被安排针对农场两平方英里的葡萄藤执行除草、割草和喷洒除草剂等重复性任务。
和大多数农场一样,这里远离城市,没有足够的蜂窝网络或宽带连接来覆盖至各个角落。网络连接上的不足也意味着传感器无法从农场设备中收集实时数据或自动化处理农场任务。因此,Federated Wireless还部署了一个专用无线网络来克服场地内的连接障碍。
该专用无线网络由一台配备六核英特尔®至强™ D-1528处理器的边缘服务器提供支持,该服务器还利用英特尔® Smart Edge™软件将自动拖拉机和传感器连接到一起。
与此同时,自动化设备专家Blue White Robotics还提供了将现有 John Deere拖拉机转变为自动驾驶机器车队的套件。
重要意义:英特尔网络与边缘解决方案事业部专用无线网络与边缘计算总监Bhupesh Agrawal说:“Blue White Robotics向我们提出了一个具体问题。他们在乡下农田拥有一支自动化拖拉机车队,但这些机器无法相互通信,因为农场几乎没有网络连接,这也就意味着他们没有机会处理实时数据。”
后续计划:Agrawal和他的团队正在把目光投向葡萄藤之外的下一个重大挑战。他们希望把这项技术扩大应用至柑橘农场和坚果农场,同时在此过程中不断进行技术迭代。
为什么选择坚果农场?主要是为了积极迎接挑战。以对加州经济非常重要的作物夏威夷果为例,密密麻麻的坚果树丛的种植环境比修剪整齐的葡萄藤要复杂得多。
在Agrawal眼里,这些农场并非只是密密丛丛的植物,也是有价值的信息来源。每株植物都是一个数据源,能够驱动发掘边缘计算的无限潜能,但前提是我们能够妥善捕获和处理这些数据。这样一来,这些植物就可以对我们的客户、合作伙伴和所在社区做出更大贡献。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。