热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

小猫咪小狗狗也有智能「手表」了,可监测健康,识别情绪,还防乱跑|CES2022...

丰色发自凹非寺量子位报道|公众号QbitAI智能可穿戴设备,可不是人类专属。此前就有王思聪给自己的阿拉斯加犬戴上两块价值15万的iWatch,引得网友一
丰色 发自 凹非寺
量子位 报道 | 公众号 QbitAI

智能可穿戴设备,可不是人类专属

此前就有王思聪给自己的阿拉斯加犬戴上两块价值15万的iWatch,引得网友一片吐槽“人不如狗系列”。

f6489be46d2cf506a5f482c11f398dae.png

今年CES 2022展览会上,真的就出现了不少为猫猫狗狗量身定制的智能“手表”

8a676fc31b22218ce5cf316d8f30d997.png

它们不仅可以实时告知你家毛孩子的一天的活动状态,还能监测它们的身体健康情况、测情绪,甚至还能让它们不要乱跑……

价格也“美丽”很多。

相信作为铲屎官的你,一定很有兴趣。

9f027d63d59bff761df1ab6a08f0eb59.png

我的猫猫现在在干嘛?

早上出门,晚上到家,辛苦工作的打工人们一定很感兴趣自家的猫猫一天在家都做些什么。

除了安个监控,也可以试试一个名为Catlog的智能项圈。

它可以感知猫猫的已知行为,包括睡觉、吃喝、舔爪子、四处走动……

736a43fedd9b182d5f91c55838e5d38c.png

铲屎官呢,在工位上掏出手机就能知道你家毛孩子此时此刻的“所作所为”。

a5c57f08df98d0fe9085bffda26eb82e.png

晚上还可以查看统计数据,通过时间线回顾它一天睡觉、玩耍的时间和频率等。

6a20a35bbeaaa1c22eade13d3407bcf0.png

我想比起监控,这个只能看到状态的智能项圈可能多了更多想象的空间吧:

嗯我的猫在睡觉,是在沙发上睡得“七扭八歪”,还是吊床上打鼾呢?总之肯定很香就对了~

497470b07fd3fc0e36e0734699a640aa.png

我的狗狗身体是否健康?

许多宠物自身可能就有心脏病之类的先天疾病,但这不并妨碍我们一样爱它。

对于这种情况,预防总是大于治疗——

除了一年带它们去看两次兽医,不如直接随时监测心率和呼吸

Invoxia智能项圈就可以在狗狗身体不对劲儿时立刻提醒你。

3d8a040edcb56428eec09335e16105b7.png

Invoxia利用了微型雷达传感器(跟谷歌Pixel 4手机中使用的Soli雷达类型相同),并与专业兽医合作开发了一款深度学习算法,无论狗狗的毛多厚多茸,都能进行读数,并通过该算法确定和分析狗狗的心脏和呼吸状态(什么GPS定位、活动和睡眠跟踪啥的功能就更不在话下了)。

Inupathy的智能背带,不仅也可以监测身体健康,同时还能顺带通过分析心率显示狗狗的情绪状态:它是感到有压力,还是想出去玩了,或是看到邻居家的大狗并不害怕而是很高兴……

b58b80b45c211d042d682f6ea9542ec6.png

来自台湾省的ITRI工业技术研究院则深入研究了由数据驱动的早期预警信号,开发了同样也是为预防猫猫狗狗心脏病的iPetWeaR,其心率识别错误率低至5%。

同时它也可以预警中暑、疫苗不良反应等情况。

iPetWeaR采用低功率的生理检测雷达技术,无需接触宠物皮肤、完全无害,设备更小,只需挂在狗狗原本的项圈上,或者直接塞进狗窝/猫窝里。

edd55722ff9eb5480d30951aca7da338.png

售价80美元(大概500块钱)。

iPetWeaR还表示,项圈的健康监测功能除了在家进行日常监测,对于在动物收容所的工作人员的来说,可能就更实用了。

150578981a8430c0231ad1078a3c53b5.png

“不要乱跑”

如何让狗狗在安全区域、你的视野范围内自由玩耍?

一个叫做Wagz的智能项圈及其应用可以划定虚拟围栏,让你的“四足朋友”呆在限定区域。

ab6f31dc5b200c6c96eab7c8a4014e96.png

你只需在手机上花几秒钟设定一下围栏范围,然后一旦狗狗超出区域,就会收到项圈的振动、声音和超声波提示。

1a1290c89e974d925f7270f013a3db90.png

当然,这个项圈主要是用来训练幼犬。

此外,CES 2022还展出了一款可以训练狗狗通过按不同的按钮来表达情绪的智能产品——FluentPet(每个按钮都对应着“干饭”、“出去玩”等声音)。如果你感兴趣,可以参考文末链接。

86c2970fdee4e424446206593e6f5828.png

那么,以上这么多给猫猫狗狗用的智能“手表”,有没有你心动的那一个呢?

参考链接:

https://techcrunch.com/2022/01/05/new-pet-tech-at-ces-treats-dogs-and-cats-like-the-complex-beings-they-are/



推荐阅读
  • 【论文】ICLR 2020 九篇满分论文!!!
    点击上方,选择星标或置顶,每天给你送干货!阅读大概需要11分钟跟随小博主,每天进步一丢丢来自:深度学习技术前沿 ... [详细]
  • DDOSDDOS的中文名叫分布式拒绝服务***,俗称洪水***DDoS***概念DoS的***方式有很多种,最基本的DoS***就是利用合理的服务请求来 ... [详细]
  • 42VERSE & 圆圈徽章,Web3 社交的流派之争——针对两个国内案例的调研
    01 行业分析本文所研究的细分赛道为:Web3应用层——社交与内容场景——DID/创新场景(以元宇宙3D空间为 ... [详细]
  • 圣诞节到了,智能菌想送你一份礼物
    关注网易智能,聚焦AI大事件,读懂下一个大时代!(机器学习算法地图见文末)圣诞节的赠书活动来了! ... [详细]
  • Proof (of knowledge) of exponentiation
    1.ProofofexponentiationProofofexponentiation是基于adaptiverootassumption(充分必要条件࿰ ... [详细]
  • DNNBrain:北师大团队出品,国内首款用于映射深层神经网络到大脑的统一工具箱...
    导读深度神经网络(DNN)通过端到端的深度学习策略在许多具有挑战性的任务上达到了人类水平的性能。深度学习产生了具有多层抽象层次的数据表示;然而,它没有明确地提供任何关 ... [详细]
  • 浏览器中的异常检测算法及其在深度学习中的应用
    本文介绍了在浏览器中进行异常检测的算法,包括统计学方法和机器学习方法,并探讨了异常检测在深度学习中的应用。异常检测在金融领域的信用卡欺诈、企业安全领域的非法入侵、IT运维中的设备维护时间点预测等方面具有广泛的应用。通过使用TensorFlow.js进行异常检测,可以实现对单变量和多变量异常的检测。统计学方法通过估计数据的分布概率来计算数据点的异常概率,而机器学习方法则通过训练数据来建立异常检测模型。 ... [详细]
  • 背景应用安全领域,各类攻击长久以来都危害着互联网上的应用,在web应用安全风险中,各类注入、跨站等攻击仍然占据着较前的位置。WAF(Web应用防火墙)正是为防御和阻断这类攻击而存在 ... [详细]
  • PyTorch 2.0来了!100%向后兼容,一行代码将训练提速76%!
    点击下方卡片,关注“CVer”公众号AICV重磅干货,第一时间送达点击进入—CV微信技术交流群转载自:机器之心PyTorch官方 ... [详细]
  • 【历史上的今天】5 月 18 日:微软反垄断诉讼;携程旅行网上线;谷歌首次公布 TPU
    整理|王启隆透过「历史上的今天」,从过去看未来,从现在亦可以改变未来。今天是2022年5月18日,在1939年的今天,彼得 ... [详细]
  • 微软头条实习生分享深度学习自学指南
    本文介绍了一位微软头条实习生自学深度学习的经验分享,包括学习资源推荐、重要基础知识的学习要点等。作者强调了学好Python和数学基础的重要性,并提供了一些建议。 ... [详细]
  • 阿里Treebased Deep Match(TDM) 学习笔记及技术发展回顾
    本文介绍了阿里Treebased Deep Match(TDM)的学习笔记,同时回顾了工业界技术发展的几代演进。从基于统计的启发式规则方法到基于内积模型的向量检索方法,再到引入复杂深度学习模型的下一代匹配技术。文章详细解释了基于统计的启发式规则方法和基于内积模型的向量检索方法的原理和应用,并介绍了TDM的背景和优势。最后,文章提到了向量距离和基于向量聚类的索引结构对于加速匹配效率的作用。本文对于理解TDM的学习过程和了解匹配技术的发展具有重要意义。 ... [详细]
  • 生成式对抗网络模型综述摘要生成式对抗网络模型(GAN)是基于深度学习的一种强大的生成模型,可以应用于计算机视觉、自然语言处理、半监督学习等重要领域。生成式对抗网络 ... [详细]
  • 本文介绍了Python语言程序设计中文件和数据格式化的操作,包括使用np.savetext保存文本文件,对文本文件和二进制文件进行统一的操作步骤,以及使用Numpy模块进行数据可视化编程的指南。同时还提供了一些关于Python的测试题。 ... [详细]
  • 建立分类感知器二元模型对样本数据进行分类
    本文介绍了建立分类感知器二元模型对样本数据进行分类的方法。通过建立线性模型,使用最小二乘、Logistic回归等方法进行建模,考虑到可能性的大小等因素。通过极大似然估计求得分类器的参数,使用牛顿-拉菲森迭代方法求解方程组。同时介绍了梯度上升算法和牛顿迭代的收敛速度比较。最后给出了公式法和logistic regression的实现示例。 ... [详细]
author-avatar
A丶Iice-fjl
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有