Tempo大数据应用能力成长平台（简称：Tempo Talents）是美林数据自主研发的面向高校大数据与人工智能领域“教学实践、集中实训与科研创新应用的一体化实验平台”。平台以专业课程教学实践、项目实训为核心，以创新产业应用孵化为目标，围绕大数据核心技术体系及应用，提供丰富元子化课程实践与实训案例资源。依托可视化分析与机器学习开发引擎，过程与结果兼顾的教学管理方式，闯关、考试、竞赛、数据游乐场等多种实验模式，为高校打造教与学充分互动的“大数据应用能力成长平台”。 一、创新教学管理模式，打造自驱型能力成长平台——教学管理平台→柔性化定制课堂教师可以根据教学目标、学生情况，灵活搭配原子课、实训项目及教材→教学考评管一体化统一的审阅、评分入口，实时查看作业提交情况→全景学情分析多维度图表展示学生的学习进度、学习成绩，直观了解到课堂的学习情况 二、Docker集群化部署，支持实验环境一键式访问及智能化管理——实验管理平台→高可用的容器化集群基于容器及容器集群架构运行的大数据实验基础平台，系统高可靠，高灵活，高伸缩性。→智能化实践环境管理预装实验需求的各类软件运行环境，基于浏览器的B/S模式直接访问，根据访问自动启停→一键式虚拟桌面实验台支持基于浏览器B/S模式的 “一键式”访问基于Linux的虚拟桌面环境，可提供 Linux 桌面和命令行操作，并可实现 Linux系统管理 三、不同难易度 不同实践模式相结合，因材施教更进一步——课程实践平台→多模式课程实践在线编码式、命令行、云桌面等多种实验模式→课程自动评测学生在线提交代码，一键自动评测打分，快速获取学习成果反馈→趣味闯关寓教于乐将课堂小测验转换为趣味闯关，激发自主学习热情 四、编码式与拖拽式双环境，开发型与应用型兼顾——项目实训平台→编码式与拖拽式双环境交互式笔记和拖拽式平台双操作模式，满足不同层次学生学习需求→完整实训项目指导手册还原项目落地全过程，将业务分析方法论融入具体项目实训中 →实验报告点评与优秀作业共享实验报告在线提交与点评，分享优秀作业，积累优秀成果 五、智能机器学习开发平台，满足人工智能教学科研需求——人工智能平台→强大的建模算法引擎9大算法类型、120余种分布式算法支持、15种文本算法→全面的分析洞察帮教全方位观察建模过程及结果，让学生在掌握方法的同时也能洞悉建模原理→多模式扩展编程R\Python\Java\Scala\Tensorflow等多种编程语言，学生可自定义算法开发实践 六、拖拽式大数据分析平台，培养学生数据创新探索能力——大数据分析平台→自助式大数据探索分析低门槛拖拽式数据可视化分析，让学生快速构建数据分析应用能力→灵活的可视化交互看板40余种可视化图形，钻取、联动、链接等多种交互模式 →多样的分析报告可视化大屏、分析看板、word报告、数据报表等多种报告形式呈现 七、真实项目经验 名师课程资源，构建优质教学课程资源库——课程资源平台→多学科教学名师课程引入国内一流高校教学团队优质课程，贴合学科最新发展趋势 →创新原子课设计将专业课程的知识点“原子化”，层层递进融会贯通→丰富行业实训案例精选美林数据 200+能源、政府、高端制造等行业头部客户真实项目案例 八、丰富数据资源与灵活数据资源管理，满足教学科研多层次需求——数据资源管理平台→多种数据源接入满足不同大数据平台和SQL数据源、Excel文件数据库、多维数据库、分析型数据库实时数据等不同类型数据源接入 →数据管理与权限分配支持后台配置数据权限，多种数据资源自定义管理→开放数据超市提供宏观、中观、微观全维度数据体系，上亿条数据，数据总容量超过500T丰富数据资源与灵活数据资源管理，满足教学科研多层次需求  

数据资源中心主要用于维护系统分析所用的数据源、构建数据模型、新建视图，并进行数据权限分配与管理。师生可以根据实验和实训需求，自定义新的数据源，作为学生实验练习的数据。同时也满足教师科研项目需求，对接各类科研数据。支持数据按人员、按类型进行分类，确保满足不同数据的精准使用要求，也保证教学与科研的顺畅进行。1、 数据管理数据源管理支持多种类型数据源添加、API数据接口配置；数据模型支持同一数据源下的数据分类管理、元数据管理和维护、数据抽取加速、数据权限设置等功能；模型授权支持将数据模型按照组织机构、角色、组的方式授权给设计用户；总体上来说，数据管理实现各类科研数据的统一接入、管理与权限的按需分配。2、开放数据超市数据超市提供了30多个维度、700多个二级类目、上万个业务标签的全维度业务数据画像，数据总量超过500亿，存储总量超过100T，日均增长超过500万条,为企业采购风控、销售客户评估、AI精准获客、精准招商、投融资、高校科研机构、政府事业单位及各类专业人员提供了企业活力指数评估和全息数据画像，从微观、中观、宏观多方面提供了各类企业数据分析报告、行业趋势报告和相关指数。同时基于国家电网创新应用开发平台、中广核新能源数据价值创新联合体等行业组织，可以精准提供电力、新能源等产业的真实业务数据，为高校相关课题研究提供数据支撑。

在加速建设工业互联网的国家战略背景下，培养工业互联网新兴职业人才。针对数据采集、组网通信到协议设计、应用的基础认知到实际项目工程实施等内容进行职业资格认证服务。

面向物联网、电子信息及计算机专业教学。包含硬件设备、软件平台和教学资源库的完整教学实验体系，可应用于相关课程的原理展示、动手实验及综合实训。

MMX5苹果采摘平台基于 ROS 开源系统，集成自主移动底盘及机械臂运动规划。机器人接收到移动抓取任务后，首先根据预先建立的环境模型基于 A* 算法规划最优轨迹，机器人沿着规划的最优轨迹，使用最优化算法进行运动规划，并规避运动过程中障碍物，控制机器人朝目标移动。到达抓取任务目标点后，利用 3D 相机，使用基于 OpenCV 及 YOLOV5来识别及定位目标，根据检测到的目标位姿，利用 MoveIt! 及 Open Motion Planning Library 完成机械臂运动规划，并将规划后的轨迹发送给机械臂控制器，完成抓取操作。

本书概述了三维激光扫描技术的概念与原理,分类与特点,研究现状与应用领域,阐述了点云数据的获取方法与精度分析,简要介绍数据处理的主要流程与基于点云的三维建模方法等.

本项目将研制一套软硬件一体化的医学图像处理与三维重建系统产品，该产品由三大部分组成，包括： 高性能、大容量、适合处理医学图像的硬件平台； 针对医学图像处理裁剪后的专用Linux操作系统；综合医学图像处理与三维重建的医疗专业应用系统。 成果性能：三维重建速度快、重建的图像真实、精细，操作方便。 应用范围：CT、MRI等医学图像处理与三维重建虚拟手术

根据复杂设备维护训练的需求，西安科技大学自 2011 年开始研发桌面式三维虚拟拆装训练技术，目前此技术已经成熟并在部队大型武器装备维护拆装训练中推广应用。该成果申请软件著作权 1 项。 3DVSATS 软件系统基于 OSG 三维渲染引擎开发，可根据客户需求定制拆装训练设备，支持 3DMax 、 Maya 等主流建模软件建立的三维模型，可对设备各部分零件进行直观的三维展示；设备维护人员通过鼠标、键盘等进行交互操作，可以完成定制设备的拆解和装配训练，并可记录操作过程，最终统计出每次操作的错误步骤并打分。

随着支配半导体技术数十年的摩尔定律日益接近其发展极限，多种功能器件集成被认为是超越摩尔定律延续集成电路发展进程的重要途径之一，这就需要能够满足多种功能器件高密度集成的制造技术。多元兼容集成制造技术就是为此而开发的，该技术通过在更大范围内优选结构/功能材料组合，开发异质集成制造工艺，大大拓展了功能微器件创新设计和制造的腾挪空间。经过多年探索，目前已形成了涵盖金属、聚合物、陶瓷、复合材料的MEMS异质异构制造技术体系，并在多种类型功能器件研发中发挥了关键作用，初步展现了其基础性支撑作用，相关技术获得2016年度上海市技术发明一等奖。 微系统集成发展趋势 多元兼容集成制造技术  获奖情况 上海市技术发明一等奖2016年团队获奖 国家技术发明二等奖2008年 上海市技术发明一等奖2007年 超薄超快高热流密度微通道散热器 上海交通大学团队在长期研究经验和技术积累基础上，创造性地提出了不同高热导率材料组合构造的复合结构微通道散热器设计方案，并基于多元兼容集成制造技术完成了多种尺寸样品研制，其中，热源面积与常用功率芯片尺度相当的超薄散热器冷却能力达到800W/cm2以上，在保留传统微通道散热器良好系统兼容性和适用性的基础上达到了相当高的散热能力水平，为解决高功率芯片系统超高热流密度散热问题提供了一个深具可行性的解决方案。 高温薄膜温度传感器研究  发动机燃烧室等极端恶劣环境下（高温、强振动、强腐蚀等）的工作参数现场监测对传感器技术是严峻挑战，国内外研究广泛。交大团队基于特种材料微纳集成制造技术的长期积累，在高温绝缘薄膜材料、多层薄膜应力调控、曲面图形化和高温敏感介质等技术上取得了一定突破，成功开发了多种可与现场结构共型的高温薄膜传感器，具有体积小、环境扰动小、响应快、灵敏度高、可分布式安置等优点，该团队已经掌握了温度、应力/应变、热流等多种高温状态参数测量技术，适用温度在800-1300℃之间。 薄膜绝缘电阻随温度的变化及测试结构 高温薄膜温度传感器制造及曲面图形化技术 薄膜温度传感器在发动机不同部位测温需求 无线温度传感器测温系统 高性能转接板 基于转接板的多芯片封装是2.5D高密度集成最具可行性的方案之一。但是传统的硅转接板性价比不高，阻碍了广泛应用。上海交大团队基于非硅微加工技术的长期积累，突破了硅转接板绝缘层完整性和再分布层热隔离的难题，成功研制了漏电流极低的低成本高性能硅转接板。此外，还开发了复合材料非硅转接板，TCV陶瓷转接板，TGV玻璃转接板等各种三维封装基板，实验室能够针对不同类型器件三维高密度封装的具体要求，定制开发不同功能的专用转接板，为多功能、高密度、高功率、低成本封装提供个性化解决方案。 TSV-3D 高密度封装概念图  金属-聚合物-纳米复合材料非硅基转接板实物图片

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。