“神经忍者”团队

来自“神经忍者“团队（Team Neural Ninja）的Maddie Waldie、Nikhil Suresh和Jackson Moffet为一个类人型机器人编制程序，使其能够识别手势（如挥手）并作出反应。为了让机器人正确识别目标对象，该团队共训练了超过 300 个神经网络。

据 Nikhil 称，该项目最困难的部分是——找到能够识别手势并忽视背景噪音的正确的神经网络。经历数小时的试错之后，他们最终取得了成功：机器人现在可以识别出手势语中的“对不起”、代表否定的手臂姿势 "X" 和代表肯定的手臂姿势 "Y"。此外，它还可以说话并移动，比如轻轻拍打，这让许多过路人惊叹不已。

“我们经历过很难的时刻，尤其是在一遍遍的训练之后得到了新数据，却发现它并不起作用。不过，我们最终得出了效果良好的网络，那一刻大家都很开心，”Maddie说道，“一旦取得了成功，那么一切的付出都是值得的。”

CCCC (ForeSee) 团队

CCCC 团队的任务是为机器人编制程序，以使其避开复杂障碍物。他们花了8周的时间学习计算机视觉与深度学习的交叉学科知识。

机器人经常对诸如网状栏杆之类的障碍物“感到困惑”，因为这些障碍物不能被使用反射或2D激光测距仪的传感器检测到。大部分的解决方案均耗资不菲，而Rahul Amara、Josh Hejna、Mokshith Voodarla和Anish Singhani则开发了一种利用廉价摄像头即可实现的深度学习技术解决方案。

为了给机器人编制程序，使其能够穿过任意两点并成功避开所有障碍物，CCCC 团队利用栏杆和楼梯等物体的图像对深度神经网络进行了训练。

他们面临的挑战是设计一款既高效又准确的软件。借助NVIDIA的开发平台，这四位成员成功找到了一种可以优化这两个参数的网络。

“在NVIDIA工作的一大优势在于，我们可以与开发相关项目并拥有多年经验的人进行交流，”Rahul说道，“每当遇到问题，我们可以向一大帮人寻求帮助，并向他们学习。”

GreenMachine 团队

GreenMachine 团队由Shruthi Jaganathan、Isaac Wilcove和Karly Hou三位成员组成，他们开发了一款由Jetson TX2提供支持的垃圾分类机器人，以指导NVIDIA员工放置各种剩菜、餐具、杯子和盘子。

该机器人由移动小推车和其顶部的投影仪头组成，计划在圣克拉拉办公室的咖啡馆投入使用。投影仪可闪烁不同颜色的灯光：紫色为可重复使用、蓝色为可回收、绿色为可降解、橙色为垃圾，从而告诉用户应该把垃圾投入何处。

据Shruthi称，摄像头校正是项目中难度最大的部分。传感器经常会受到投影仪灯光颜色的干扰，从而加大了检测物体纹理的难度。例如，照射在塑料盘上的紫色灯光会让摄像头错误地将盘子辨认成可降解材料。不过，通过利用数百张有颜色的图像训练网络，该团队最终得到了成功的模型。

“我真的要感谢自己在NVIDIA的两年实习经历，我知道的关于深度学习的知识，都是在这里学到的。”Isaac如是说，“现在我的目标很明确，就是在将来从事这方面的工作。”

所有以上项目均可在GitHub上找到。