Futures
Accédez à des centaines de contrats perpétuels
TradFi
Or
Une plateforme pour les actifs mondiaux
Options
Hot
Tradez des options classiques de style européen
Compte unifié
Maximiser l'efficacité de votre capital
Trading démo
Introduction au trading futures
Préparez-vous à trader des contrats futurs
Événements futures
Participez aux événements et gagnez
Demo Trading
Utiliser des fonds virtuels pour faire l'expérience du trading sans risque
Lancer
CandyDrop
Collecte des candies pour obtenir des airdrops
Launchpool
Staking rapide, Gagnez de potentiels nouveaux jetons
HODLer Airdrop
Conservez des GT et recevez d'énormes airdrops gratuitement
Launchpad
Soyez les premiers à participer au prochain grand projet de jetons
Points Alpha
Tradez on-chain et gagnez des airdrops
Points Futures
Gagnez des points Futures et réclamez vos récompenses d’airdrop.
Investissement
Simple Earn
Gagner des intérêts avec des jetons inutilisés
Investissement automatique
Auto-invest régulier
Double investissement
Profitez de la volatilité du marché
Staking souple
Gagnez des récompenses grâce au staking flexible
Prêt Crypto
0 Fees
Mettre en gage un crypto pour en emprunter une autre
Centre de prêts
Centre de prêts intégré
Centre d'innovation du centre de robotique humanoïde de Pékin annonce un nouveau brevet permettant aux robots de disposer de la capacité d'auto-réflexion zéro échantillon
L’application Qichacha indique que récemment, Beijing Humanoid Robot Innovation Center Co., Ltd. a déposé une demande de publication pour le brevet intitulé « Méthode et système de planification de tâches auto-réflexives sans échantillons pour robots ». Le résumé du brevet indique que cette invention concerne une méthode et un système de planification de tâches auto-réflexives sans échantillons pour robots, comprenant : l’analyse d’images couleur de scène via un module de perception sans échantillons, pour obtenir des descriptions de caractéristiques de scène, des cadres de détection d’objets et des masques au pixel ; l’entrée de ces descriptions et d’instructions de tâche dans un modèle de planification de tâches pour générer une planification initiale, puis l’utilisation d’un modèle de jugement réflexif pour générer une planification avancée ; la détermination du cadre de détection de l’objet cible à partir de la sous-tâche actuelle, la prédiction de sa position et l’évaluation de son état de mouvement via un modèle de suivi d’objets ; lorsque l’objet cible est immobile, la génération d’une posture de préhension candidate à partir d’une image couleur en profondeur par un modèle de détection de préhension, et la génération de zones de recommandation de préhension par un modèle de langage visuel, suivie d’une sélection de la meilleure posture de préhension selon des indicateurs d’évaluation ; après l’exécution de la sous-tâche, le modèle de jugement réflexif analyse l’état de la tâche, poursuivant si réussi ou effectuant une analyse et une correction de planification en cas d’échec, jusqu’à l’achèvement de la tâche. Cette méthode permet au robot de disposer d’une capacité de réflexion auto-réflexive sans échantillons, améliorant la robustesse des tâches. (People’s Financial News)