集计算机视觉、智能语音、机械臂融合控制技术为一体，配套机器人色块分拣、语音机器人、小型柔性智能制造、无人零售等多个行业典型实验案例，学习掌握人工智能专业核心技术。

面向人工智能工程技术、人工智能技术应用等专业的核心技术教学，学习掌握人工智能计算机视觉、智能语音、边缘计算、终端感知控制等相关人工智能关键技术。

具备教学实训、课堂练习、资源承载的支撑能力以及区块链理论知识、技术实战、环境搭建、开发语言、案例分析于一体的实验平台。

新华三绿洲数据运营平台是新华三自研的一站式智能数据开发和治理平台，集成了先进的大数据技术，主要包含数据标准、数据开发、数据质量、数据资产、数据脱敏以及时空与图引擎等数据使用场景，支持结构化数据、非结构化数据、时空数据、图数据的分析和加工。产品以打破“信息孤岛”消除“数据烟囱”为理念，帮组用户把数据用起来，以发挥数据最大价值。 数据安全 提供基于用户访问级别控制的静态脱敏以及动态脱敏能力。从敏感信息自动发现、分级分类、数据变形以及安全审计等一体化数据安全服务。 一站式开发 一张画布中完成全流程业务的开发，用SQL表达业务逻辑，用户仅需三步即可实现一个完整的开发流程。 规范化标准 提供规范化、流程化数据标准能力，提供国标，部标，行业标准管理，为后续的数据处理进行数据标准化提供关键性支撑。 自定义检核 灵活的检核方案配置管理，用户可以根据变化自由地编辑指标规则，从而帮助用户发现问题数据，改善数据质量情况。 统一数据资产 拉通数据的全生命周期流程，自动解析元数据，理清数据的来龙去脉。自定义业务分类，根据业务属性对数据进行分层分类管理。 图与时空引擎 针对高度互联数据的存储和查询场景进行设计，提供图数据库、图计算、图可视化为一体的图服务以及大规模存取、查询、分析时空数据的工具和算法集合能力。 行业套件 提供智慧行业套件知识库，涵盖行业数据标准、数据模块、行业数据主题库、专题库、行业算法库，加速交付能力，增强行业认知。 简单易用 产品贯穿整个数据应用生命周期，通过简单易用的可视化界面，用户可以通过可视化的操作界面“玩转”大数据。

资源按年级、科目、主讲等分类管理，方便查找 一、平台资源来源 资源管理平台既可以接收嵌入式设备和网络摄像机录制的原始视频资源，又可以接收微课系统发布的微课视频以及老师个人整理的各种教学资源。  提供标准的 FTP 原始资源库，可对接其他任何系统提供的资源。 二、平台资源管理 资源按年级、科目、主讲等分类管理，方便查找。安全的资源发布机制，资源需要经过审核后才能发布出去，避免不合法的资源传播出去。 三、平台特色功能 资源模式播放 在播放普通的单视频课程的基础上，系统提供了资源模式课件供用户在线学习，资源模式课件可以包括教师视频，学生视频，教学文档视频等。由于资源模式课件是老师视频讲授同步配合 PowerPoint 文稿，因此教学效果非常接近现场授课。 在线编辑 对录制好的视频在线进行转码、截取、合并、增加字幕等功能。 自动课表 根据课表内容，控制导播主机进行录制、直播并把录制的视频上传到平台。 名师课堂 名师专辑，方便查看优秀老师的所有课程。 教研管理 创建一个教研活动，教研组成员可以对教研内容评价、打分。 评价管理 制定评估方案，建立评价体系对不同的课程视频，进行全面评估。 虚拟切片 创建微课或者精彩视频实现视频精细化管理，解决视频的精准搜索。 教学行为分析 在获得课堂视频的同时，自动记录大量名优教师教学习惯的行为数据，为年轻教师的模仿学习提供前沿技术支持。

一、产品介绍 云之翼云桌面管理软件（yiCenter）是针对云桌面系统运维管理所研发的综合操作平台，它从服务器，桌面，终端三个维度实行统一管理，全方位操作云桌面系统实施，交付，运维，更新等各类任务。 云平台管理软件（yiCenter)可以在系统布局中产生重大作用，通过将业务资源整合到云平台，然后对整个平台进行系统化集中管理，让网络、服务器、桌面、终端资源能够在一个平台中实现集中管控和运维，极大的提高了管理运维的水平和效率，节约了大量的人力、物力成本。 二、产品优势 化繁为简，提高效率 将“云”的所有管理任务集中于同一平台，将大量工作制度化，简化管理流 程、Web 管理界面，无需安装客户端或者借助 MMC 控制台，将大量专业术语通俗化，达到一看便知，降低上手难度。 智能排课，智慧办公 涵盖了服务器、桌面、终端的全部资源管理，功能实用且操作简单，兼容全部的主流操作系统，同时，产品功能可根据需求扩展开发。 功能强大，兼容性好 可以使用任意智能设备，通过局域网或 Internet 随时随地接入管理平台进行管理维护，无需针对各类应用系统定制开发客户端，无需任何插件。 简单高效的远程管理 可对教室进行排课，系统镜像自动切换，满足不同教学需求。办公中，能够对终端，系统资源集中管控，降低业务风险，提高数据安全性。

本发明公开了一种可伸缩式竖直运动箱体导向机构，包括用于容纳箱体做竖直运动的管道，以及设置于箱体上用于对箱体在所述管道内做竖直运动进行导向的导向装置。该导向装置为可伸缩式结构，包括设置于所述箱体侧壁面的导轨、设置在所述导轨上并可沿着导轨滑动的至少一个楔形滑块、抵靠在所述楔形滑块上与楔形滑块配合形成楔形调整机构的导向球，以及设置于所述导向球外侧用以约束导向球仅沿着垂直于箱体侧壁面的方向移动的导向球约束装置。通过驱动楔形滑块沿导轨滑动，使导向球朝向远离或者靠近箱体侧壁面的方向运动，以在竖直运动时抵靠在管道内壁实现导向，或在箱体进出竖直轨道时收缩远离管道内壁，从而能够避免与管道内壁的齿条形成干涉。

细菌通过多个趋化受体来感受周围不同的化学小分子，主动游动，实现获得更好的生长环境或者实现趋利避害。但不是强的正趋小分子都是很好的可利用营养物质—好闻的不一定有营养，同样，也不是容易代谢的营养就是强的趋化因子—有营养的不一定好闻。细菌在自然界中往往面临多种不同强弱的趋化小分子，多种不同可代谢程度的营养来源的复杂浓度梯度环境中，细菌群落是如何通过趋化行为抉择它们的去向，实现最优化它们的环境适应性与生长速度？细菌在个体与群体的选择上是否有不同？这一基于细菌的生物行为的研究也许对了解复杂的高等生物的群体行为也有所帮助。 北京大学物理学院欧阳颀院士领导的“生物物理”团队的罗春雄研究组在基于微流体细菌趋化分析芯片的实验研究中发现：在反向不同引诱物浓度梯度下，细菌首先趋向聚集于强引诱物而少营养的一端， 但当细胞密度超过一个阈值时，细菌群落部分“逃逸”强引诱物浓度场，游向趋化因子相对弱但可代谢物质富集的一端。这一现象被刻画为细菌群体运动的“逃逸相变行为”。罗春雄研究组通过与美国IBM沃森研究中心的涂豫海教授（北大定量生物学中心资深访问学者）合作，对此现象涉及的趋化受体间的协作行为进行了系统细致的理论分析和实验论证，发现营养物质通过数量较少的Tap趋化受体进行了响应行为，而且在较大的一个趋化响应参数空间均会出现由细菌密度超过临界密度而产生的逃逸条带（“Escape Band”）行为，该行为可以使得细菌群落在复杂的趋化物浓度场中获得更好的生长优势。相关的定量实验与理论研究以“The escape band in Escherichia coli chemotaxis in opposing attractant and nutrient gradients”为题于2019年1月23日在线发表于Proceedings of the National Academy of Sciences of the United States of America（PNAS）杂志上。细菌群体趋化运动的“逃逸相变行为” 文章第一作者为北京大学定量生物学中心博士研究生张玄麒,通讯作者为北京大学物理学院/定量生物学中心罗春雄教授及美国IBM沃森研究中心/定量生物学中心的涂豫海教授，参与人包括欧阳颀院士，前沿交叉学科研究院博士研究生司光伟，董一名，物理学院博士研究生陈凯悦。工作得到国家自然科学基金委、物理学院介观物理重点实验室、 北京大学定量生物学中心、北大-清华生命科学联合中心的支持。 工作原文连接: https://www.pnas.org/content/early/2019/01/22/1808200116

动作捕捉技术（motion capture）在影视、体育、安防等领域具有广泛应用。传统的动作捕捉分为两大类，光学动捕系统通过在采集环境部署多个红外摄像头，再在人员的动捕服上放置光学标记球来求解出采集者的姿态信息，从而实现对人体运动的捕捉与动画映射；惯性动捕系统通过惯性测量单元（IMU）来采集肢体的运动信息，采集设备相对更轻便，但采集精度不如光学动捕系统。光学动捕系统包括Motion Analysis，Vicon，Optitrack等，惯性动捕系统有Xsens，诺亦腾等。 然而，无论是光学动捕还是惯性动捕都需要动作人穿上特定的设备，不可避免地会影响到人体运动的真实性和动捕的使用范围。同时，相应的专业动捕设备往往价格不菲，很多有需求的小型工作室也会望而却步。因此，学术界和工业界都在极力研究“无标记运动捕捉”技术，即不需要任何穿戴设备，仅由相机观测和算法分析，就实现对多人体运动的实时准确捕捉。这种技术有着更加广泛的应用场景，例如无人售货超市、VR/AR游戏、远程全息通讯、数字人创建、虚拟主播、人机交互、全天候医疗监护等。 近几年，随着深度学习技术的广泛普及，无标记动捕领域也诞生了许多革命性技术，例如实时2D多人体关键点检测技术OpenPose等。然而，多目标实时3D运动捕捉仍然是一个极具挑战性的问题，主要挑战因素包括：如何实现实时计算，如何进行高效的多视角关联，如何解决紧密交互带来的观测失真等。举个例子，当两个人拥抱在一起的时候，当前大多数检测或重建算法都会失效。而理论上，多视角的观测信号能够在一定算法设计下互相补充，尽可能解决单视角运动重建的歧义性。如何充分利用多视角的视频信号，实现复杂、紧密交互场景下的多人体运动捕捉是当前无标记运动捕捉领域的核心问题之一。 该项目研究工作提出的多视角人体运动捕捉系统包括相机采集模块，2D姿态检测模块，4D关联图求解模块，三维骨架求解模块及渲染模块。其主要算法贡献在于提出并实现了4D Association算法。 当前的多视角运动捕捉系统大多采用的是序贯地匹配策略，首先对每个视角进行独立的人体检测和连接（例如，OpenPose检测关键点和关键点相互连接的概率，从而对人体进行连接；Mask-RCNN、AlphaPose和HRNet都需要先检测每个人的BoundingBox，然后对每个人进行独立的人体检测），然后对人体进行多视角关联和姿态求解，最后进行时域跟踪。这种常规方法的缺陷在于，当单个视角检测失败以后，后续的算法难以对失败的检测结果进行修正，从而将错误的检测传递到下一个步骤，影响跟踪效果，对于紧密交互（例如前文提到的两人拥抱）的情形，单视角的往往很难给出令人满意的检测结果，因此基于序贯式的算法一般会失效。 相较而言，该研究工作的创新性在于充分利用单图连接(2D)、多视角连接(1D)、和时域连接(1D)之间的相互约束从而进行全局优化，用多视角信息和时域信息来避免单视角连接的歧义性，同时也通过单视角连接结果来优化多视角的匹配，从而使得关联结果更趋向于全局最优。具体地，该研究工作提出了一种4D Graph的图结构，将上一帧的三维人体关键点（在初始帧或者人进入动捕范围的时候可以缺失，不影响算法的运行）和当前每一视角的2D关键点建模在同一个图结构中，用单图连接、多视角连接、时域连接的概率作为边的权值，将人体多视角关联的问题看成提取有效边的过程。为了快速地求解这个问题，进一步提出了一种基于完全子图的近似求解算法，高效地完成了从4D图结构中提出正确的人体连接。 最终，该研究工作实现了紧密交互下人体的三维姿态重建，并展示了实时系统效果。其算法在多个数据集上均表现出了良好的视觉效果，在Shelf数据集上也取得了当前最好的数值结果。