机器人

首页 标签 机器人
# 机器人 #
关注
15490内容
玩转Moltbot!阿里云轻量应用服务器一键部署Moltbot(原Clawdbot)教程,构建钉钉AI员工
Moltbot(原Clwadbot)是爆火的本地化AI创作助手,支持阿里云轻量应用服务器一键部署。仅需2核2G配置、38元/年,3步即可完成:选Moltbot镜像→开通百炼并获取API-Key→开放18789端口并配置。教程还详解钉钉等10+平台集成,零代码快速打造AI员工。
让 AI 为你打工:只需半小时,用轻量应用服务器部署 24 小时在线的 Moltbot(Clawdbot
阿里云Moltbot(Clawdbot)是一款7×24小时在线AI员工,支持邮件处理、资料整理、文件监控、口语陪练等功能。搭配轻量应用服务器,30分钟即可快速部署,现支持钉钉、QQ、飞书三端接入。
|
1天前
| |
来自: 无影
阿里云无影云电脑已上线Clawdbot(Moltbot)专属镜像,1键部署Moltbot AI 助手教程
阿里云无影云电脑已上线Moltbot(原Clawdbot)专属镜像,镜像预装VS Code、TMUX、钉钉、WPS等常用组件,支持钉钉、QQ等软件唤醒,无需复杂环境配置,3步即可部署完成。这款AI智能助理能操作文件、处理工作、联动多工具,同时打通网关与云电脑,帮助用户快速创建个人Agent。目前更多相关技能正在持续解锁,企业微信等接入能力也在加速适配中。
|
1天前
|
《对话》精选|中国大模型凭何成为全球AI底座?
在“人工智能+”上升为国家战略的关键节点,央视财经频道《对话·创新中国行》,邀请到阿里云智能集团首席技术官周靖人、阿里云智能集团副总裁张亮与来自机器人、智能硬件、AIGC视频生成、AI短漫剧、教育等领域的产业先锋:科沃斯集团董事长钱东奇、自变量机器人创始人兼CEO王潜、爱诗科技创始人兼CEO王长虎、巨日禄科技创始人熊义辉、批改邦创始⼈兼CEO王庆棒展开深度对话。嘉宾们围绕“中国大模型,凭何成为全球AI底座?”这一主题共同探讨中国AI的全球竞争力,分享AI落地千行百业的丰富场景,并展望AI带来的时代变革与未来发展。完整节目已于1月25日22:16在CCTV-2及央视频同步播出。
|
1天前
| |
2026 AI 元年:从技术狂欢到价值共生的智能新纪元
本文基于公开资料与行业观察,分析AI从“模型能力展示”向“真实场景应用”的演进趋势,探讨世界模型、具身智能、多智能体系统等方向的进展与挑战,涵盖工业、金融、医疗等领域案例,提供中立、务实的技术与产业参考视角。
|
1天前
|
智能体来了:那个24小时不休息的《销冠》上线了
内容摘要:随着大模型进入应用爆发期,基于Coze开发的AI智能体正零售成交格局。论文深度拆解24小时“销冠”智能体的底层逻辑,从私域转化、实时触达达到模型,为您提供一套可落地的AI销售增长方案。
|
1天前
|
别再盲目用PPO了!中小团队如何低成本对齐大模型?DPO与KTO实测对比
本文深度解析大模型对齐三大主流方法:PPO(强化学习闭环,精度高但复杂)、DPO(跳过奖励模型,简洁高效)、KTO(基于心理学,重罚轻赏、低门槛)。涵盖原理、数据准备、训练配置、效果评估及落地建议,助力开发者低成本实现安全、有用、有温度的模型调优。
|
1天前
|
零基础也能懂的PPO算法指南:从原理公式到机器人控制实战
本文深度解析强化学习核心算法PPO(近端策略优化),以“迷宫马拉松”比喻其稳健学习特性,详解Clipped Objective与KL约束双版本原理,结合CartPole实战代码,涵盖环境搭建、采样计算、更新循环及多维评估指标,突出其工业级稳定性与易用性。
【路径规划】基于双向RRT算法结合Dijkstra算法实现机器人路径最优化附matlab代码
✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 🍎 往期回顾关注个人主页:Matlab科研工作室 👇 关注我领取海量matlab电子书和数学建模资料 🍊个人信条:格物致知,完整Matlab代码获取及仿真咨询内容私信。 🔥 内容介绍 本研究针对传统路径规划算法在复杂动态环境中存在的效率低、路径非最优等问题,提出一种融合双向快速扩展随机树(Bi-RRT)与Dijkstra算法的混合路径规划框架。通过Bi-RRT的双向搜索机制实现高效全局探索,结合Dijkstra算法对初始路径进行局部优化,在30×30栅格地图
TCN-BiLSTM回归+特征贡献SHAP分析+新数据预测+多输出附MATLAB代码
🔥 内容介绍 一、核心升级:TCN-BiLSTM 的优势与适配场景 1.1 为什么用 BiLSTM 替代 LSTM? 普通 LSTM 仅能单向捕捉时序依赖(从过去到现在),而 BiLSTM 通过前向 LSTM(捕捉过去→现在)和后向 LSTM(捕捉现在→过去)的双向融合,能: • 更全面提取时序特征(比如机器人运动的 “历史惯性”+“未来趋势预判”); • 缓解长序列依赖的信息衰减(尤其时间窗长度>30 时效果更明显); • 不泄露未来信息(双向仅作用于输入时间窗内部,预测第 31 帧时仅用前 30 帧双向建模)。 1.2 升级后方案的核心价值 保持 “TCN 特征提取→
免费试用