XiaoMi-AI文件搜索系统
World File Search System动态运动
轮式人形机器人的动态运动遥控操作...
摘要 — 双边遥控操作为人形机器人提供了人类的规划智能，同时使人类能够感受到机器人的感受。它有可能将具有物理能力的人形机器人转变为动态智能的机器人。然而，由于涉及复杂的动力学，动态双边运动遥控操作仍然是一个挑战。这项工作介绍了我们通过身体倾斜的轮式人形机器人运动遥控概念应对这一挑战的初步步骤。具体来说，我们开发了一种具有力反馈能力的全身人机界面 (HMI)，并设计了一个力反馈映射和两个遥控映射，将人体倾斜映射到机器人的速度或加速度。我们比较了这两种映射，并通过实验研究了力反馈的效果，其中七个人类受试者用 HMI 遥控一个模拟机器人执行动态目标跟踪任务。实验结果表明，所有受试者在练习后都完成了两种映射的任务，力反馈提高了他们的表现。然而，受试者表现出两种不同的远程操作风格，它们从力反馈中获益的方式也不同。此外，力反馈影响了受试者对远程操作映射的偏好，尽管大多数受试者在速度映射方面表现更好。
轮式人形机器人的动态运动遥控操作...
摘要 — 双边遥控操作为人形机器人提供了人类的规划智能，同时使人类能够感受到机器人的感受。它有可能将具有物理能力的人形机器人转变为动态智能的机器人。然而，由于涉及复杂的动力学，动态双边运动遥控操作仍然是一个挑战。这项工作介绍了我们通过身体倾斜的轮式人形机器人运动遥控概念应对这一挑战的初步步骤。具体来说，我们开发了一种具有力反馈能力的全身人机界面 (HMI)，并设计了一个力反馈映射和两个遥控映射，将人体倾斜映射到机器人的速度或加速度。我们比较了这两种映射，并通过实验研究了力反馈的效果，其中七个人类受试者用 HMI 遥控一个模拟机器人执行动态目标跟踪任务。实验结果表明，所有受试者在练习后都完成了两种映射的任务，力反馈提高了他们的表现。然而，受试者表现出两种不同的远程操作风格，它们从力反馈中获益的方式也不同。此外，力反馈影响了受试者对远程操作映射的偏好，尽管大多数受试者在速度映射方面表现更好。
使用隐式行为克隆和动态运动原始的动态运动来促进机器人运动计划的增强学习
摘要 - 用于运动计划的运动计划（RL）在慢训练速度和差异性差方面仍然具有低效率和差异性。在本文中，我们提出了一种新型的基于RL的机器人运动计划框架，该框架使用隐式行为克隆（IBC）和动态运动原始（DMP）来提高训练速度和外部RL试剂的概括性。IBC利用人类演示数据来利用RL的训练速度，而DMP则是一种启发式模型，将运动计划转移到更简单的计划空间。为了支持这一点，我们还使用可用于类似研究的选择实验创建了人类的示范数据集。比较研究揭示了所提出的方法比传统RL药剂的优势，训练速度更快，得分更高。实体实验实验指示了所提出的方法对简单组装任务的适用性。我们的工作提供了一种新的观点，即使用运动原语和人类演示来利用RL的性能用于机器人应用。
通过动态运动识别农业环境的人类 - 动物相互作用
1研究与技术 - 技术中心（CERTH）（CERTH）的生物经济与农业技术学院（IBO），第6公里Charilaou-Thermi Rd。，57001 Thessaloniki，希腊； v.moysiadis@farm-b.com（V.M.）; e.benos@certh.gr（L.B.）; d.kateris@certh.gr（d.k.）2塞利大学的信息学和电信系，希腊Lamia 35100； gkarras@uth.gr 3 Farmb数字农业S.A.，11月17日，11月17日，55534，塞萨洛尼基，希腊4塞萨洛尼基4农学和农业生态系统管理部，PISA大学，S。Micheledegli Scalzi 2，56124 Pisa，意大利； andrea.peruzzi@unipi.it 5 Interniversity系数，城市研究与规划部，都灵大学，Viale Matttioli 39，10125意大利的Torino； remigio.berruto@unito.it 6能源系统部，塞利大学，盖奥波里斯校园，希腊41500 Larisa； elpinikipapageorgiou@uth.gr *通信：d.bochtis@certh.gr
从模拟到电动机执行：对动态运动图像对性能的影响的审查
Aymeric Guillot，Franck Di Rienzo，Cornelia Frank，Ursula DeBarnot，Tadhg E MacIntyre。从模拟到电动机执行：对动态运动图像对穿孔的影响的回顾。国际体育和运动心理学评论，2021，17（1），pp.420-439。10.1080/1750984x.2021.2007539。hal-04672047
强化学习与基于规则的动态运动策略在无人机辅助网络中
摘要 - 由于蜂窝网络的资源分配不是动态的，由于意外事件，某些单元可能会遇到计划外的高流量需求。无人机（UAV）可用于提供数据卸载所需的额外带宽。考虑实时和非实时交通类别，我们的工作专门用于通过两种方法优化无人机在蜂窝网络中的位置。可以嵌入无人机中的第一个基于规则的低复杂性方法，而另一种方法则使用加固学习（RL）。它基于马尔可夫决策过程（MDP）提供最佳结果。已经考虑了无人机电池的能量和充电时间限制，以涵盖由许多细胞组成的典型细胞环境。，我们为Italia提供的米兰蜂窝网络使用了一个开放数据集，以评估两个建议的模型的性能。考虑到此数据集，MDP模型的表现优于基于规则的算法。尽管如此，基于规则的一个人需要更少的处理复杂性，并且可以立即使用任何先前数据。这项工作为在现代蜂窝网络中开发无人机部署的实用和最佳解决方案做出了显着贡献。
LMS Virtual.Lab Motion - 创新多体仿真
在构建和测试昂贵的物理原型之前开发优化的机械系统需要准确的动态运动结果。当今 CAD 软件包中的运动模块无法满足这些需求，因为它们仅限于运动范围预测和碰撞检测。相反，LMS Virtual.Lab Motion 通过包括质量、惯性、刚度、摩擦等来模拟动态系统行为，因此能够在整个产品开发过程中提供更有价值的工程见解。快速迭代模拟可以准确预测动态运动和内部负载，使工程师能够评估多种设计方案的实际性能。
下一代 FWA 技术入门
形成波束和零点................................................................................................................................9 MIMO 和空间复用.................................................................................................................11 多输入多输出 (MIMO)................................................................................................11 分布式大规模 MIMO (DMM).................................................................................................12 多用户分布式大规模 MIMO (MU-DMM).......................................................................13 NLoS 性能....................................................................................................................................14 干扰消除....................................................................................................................................15 自干扰....................................................................................................................................16 突发干扰....................................................................................................................................17 信道中的动态运动....................................................................................................................18 对称性能....................................................................................................................................18
aign-aigment MPC敏捷和强大的脚步运动计划和控制
摘要 - 本文提出了一种在线两足动物的脚步计划策略，该策略结合了模型预测性控制（MPC）和增强学习（RL），以实现敏捷且健壮的两足动物。基于MPC的脚部放置控制器已经证明了它们在实现动态运动方面的有效性，但它们的性能通常受到使用简化模型和假设的限制。为了应对这一挑战，我们开发了一个新颖的脚放置控制器，该控制器利用了一项学识渊博的政策来弥合使用简化模型和更复杂的全阶机器人系统之间的差距。具体来说，我们的方法采用了基于ALIP的MPC脚部放置控制器的独特组合，用于次级脚步计划，并提供了精炼脚步调整的学习政策，从而使所得的脚步策略有效地捕获了机器人的全身动态。这种集成协同MPC的预测能力，其灵活性和适应性能力。我们通过使用全身人形机器人Draco3。结果表明，动态运动性能的显着改善，包括更好地跟踪各种步行速度，使可靠的转弯和穿越具有挑战性的地形，同时与基线ALIP ALIP ALIP MPC接近相比，保持步行步态的稳健性和稳定性。