Ddog体系运用AttentivU作为脑机接口体系，传感器嵌入到镜框中，用来丈量一个人的脑电图 （EEG） 或大脑活动，以及眼电图或眼球运动。
Ddog体系成功率为83.4%，而且，这是在个人助理用例中初次将无线、非视觉BCI体系与Spot集成。
尽管的确存在通讯辅助工具，但大多数是答应用户运用计算机进行通讯的眼睛注视设备。答应用户与周围国际互动的体系并不多。
Ddog是一个自主应用程序，用户能经过BCI的输入操控Spot机器人，而应用程序运用语音向用户及其护理人员供给反应。
在客户端，用户经过移动应用程序与脑机接口设备（AttentivU）进行交互，该应用程序运用低功耗蓝牙（BLE）协议与设备做通讯。
服务器端运用Kubernetes（K8S）集群，每个集群都布置在自己的Virtual Private Cloud（VPC）中。
云在专用VPC内作业，一般布置在更接近最终用户的同一可用区中，使每个服务的呼应推迟最小化。
集群中的每个容器都规划为单一用处（微服务架构），每个服务都是一个正在运转的AI模型，它们的使命包含：导航、映射、计算机视觉、操作、定位和署理。
布置在手机上的离线模型运转数据搜集和聚合，一起也运用TensorFlow的移动端模型（针对更小的RAM和根据ARM的CPU进行了优化）进行实时推理。
用于布置切割模型的原始版本是使用LIDAR数据的单个TensorFlow 3D模型。之后，作者将其扩展到少样本模型，并经过运转神经辐射场（NeRF）和RGBD数据的弥补模型进行增强。
Ddog搜集的原始数据是从五个摄像头汇总而来的。每个摄像头都能够给我们供给灰度、鱼眼、深度和红外数据。手臂的夹持器内部还有第六个摄像头，具有4K分辨率和LED功用，合作预练习的TensorFlow模型检测目标。
点云由激光雷达数据及由Ddog和手机的RGBD数据生成。数据收集完成后，经过单一坐标系进行归一化处理，并与汇集了一切成像和3D定位数据的大局状况相匹配。
设备具有EEG和EOG两种形式，可用于实时捕捉注意力、参加度、疲惫和认知负荷的信号。EEG已被用作清醒和睡觉之间过渡的神经生理学目标，
关于患有ALS的受试者，本文的模型在MA使命中达到了73%的准确率，在WA使命中达到了74%的准确率，在ME使命中达到了60%的准确率。
三篇论文处理“语义切割的优化和评价”难题，鲁汶/清华/牛津等联合提出全新办法
AI破译2000年前“上古卷轴”登Nature头版，21岁计算机天才，谷歌华人工程师共获大奖
苹果Vision Pro硬件大佬被挖角，Midjourney布局VR头显？未来将发布AI生成3D国际引擎
市场规模有望打破171亿美元，车企跨界布局卫星互联网，智能化战场“烧向”太空？