XiaoMi-AI文件搜索系统
World File Search System器人
通过增强来控制机器人手臂
在Marwan Hamze博士的监督下，该项目是在东京科学大学的吉田教授实验室的国际四个月实习的一部分。主要目的是为加强机器人手臂控制学习的应用的应用做出贡献。我的工作包括在模拟和真实环境中为机器人组开发和实施控制算法。强化学习使避免复杂的运动学模型成为可能，从而为机器人提供通过与环境直接互动来优化其行为的能力。我将精力集中在优化XARM6机器人手臂控制上，并从科学文献中适应方法。我在模拟中首先测试了这些算法，然后将它们应用于真实环境以评估其稳健性。我的目标是获得加强对人形机器人控制的技能，以控制川崎的Kaleido机器人，尺寸为1.80 m，重80 kg。这个项目使我能够增强机器人技术和人工智能方面的技术技能，同时促进该扩展领域应用的研究。
自动移动机器人的稳定跟踪控制方法
本文提出了针对非BOLONOMIC车辆的稳定跟踪控制规则。通过使用Liapunov函数来证明该规则的稳定性。对车辆的输入是参考姿势（x，y ,, 8）'和参考速度（v，ar）'。本文的主要目的是提出一个控制规则，以找到合理的目标线性和旋转速度（v，a）'。线性化系统的微分方程对于确定对小干扰的关键倾倒参数很有用。为了避免任何滑倒，引入了速度/加速度限制方案。有或没有速度/加速度限制器的几个合理结果。本文提出的控制规则和限制方法是与机器人无关的，因此可以应用于具有死亡算力能力的各种移动机器人。此方法是在自动移动机器人Yamabico-11上实现的。获得的实验结果接近速度/加速度限制器的结果。
用于估计 iCub 机器人头部姿势的片上脉冲神经网络
在这项工作中，我们提出了一种用于人形 iCub 机器人头部姿势估计和场景表示的神经形态架构。脉冲神经网络在英特尔的神经形态研究芯片 Loihi 中完全实现，并精确整合发出的运动命令，以在神经路径整合过程中估计 iCub 的头部姿势。iCub 的神经形态视觉系统用于校正姿势估计中的漂移。机器人前方物体的位置使用片上突触可塑性来记忆。我们使用机器人头部的 2 个自由度 (DoF) 进行实时机器人实验，并展示精确的路径整合、视觉重置和片上物体位置学习。我们讨论了将机器人系统和神经形态硬件与当前技术集成的要求。
建立机器人战争专家NAVADMIN 036/24 | 评级建立 - 事实说明书 | 评级转换 - 事实说明书
制服政策和计划更新 - 2024 年 2 月 NAVADMIN 031/24 | 情况说明书 本 NAVADMIN 宣布了海军制服政策的更新。这些更新是根据水手的反馈、指挥部赞助的请求和海军领导层的指示得出的。政策更新包括授权将手放在制服口袋和体能训练服的紧身裤中，以及恢复女性可选的晚礼服头饰和女性可选的组合罩（桶形）。正在进行的举措包括继续为怀孕水手提供免费制服的产妇试点计划、尺寸现代化计划和制服调查。阅读 NAVADMIN 031/24 以获取完整的更新列表。战士的坚韧，锻炼你的思想、身体和精神
团队90H：机器人真空吸尘器
现在我们决定对机器人真空吸尘器进行逆转，下一个挑战是要获得一个模型。理想情况下，我们希望打开一个室内或类似的真空吸尘器，但我们无法将手放在不起作用的室上。所以，我们必须安顿下一个来自亚马逊的便宜版本。尽管如此，我们还是决定继续前进，因为即使该真空吸尘器没有Roomba的所有强大功能，它仍然可以瞥见任何机器人真空吸尘器的基础功能。
人工智能与机器人技术中心（CAIR）
任何广告区域。有资格获得7.5 CGPA的任何地方，可以放松OBC的标准（NCL）：7.0 CGPA＆SC/ST/ST/PWD：6.5 CGPA。●对于每个专业和计划，候选人应提交申请费的单独申请。●主管当局在与候选人资格，访谈和入学条件有关的所有事项中的决定将是最终的，并且对所有候选人具有约束力。如果在入学过程中可能发生任何争议/歧义，则该研究所的决定应为最终决定●在线申请中提供的所有详细信息将被视为最终，并且不会进行任何更改。不提交有效/必需的文件和/或不完整的申请应立即拒绝。
自主人工智能草坪机器人
● 每年，许多房屋、企业和建筑物因野火而被摧毁，生命损失惨重，破坏不堪设想。● 这些火灾破坏力极大，往往需要多年时间才能恢复。● 消防部门和美国农业部林务局建议将植被修剪至较低高度，创造可防御空间。这样，可燃物和房屋之间就会形成一道屏障，通过清除潜在的火源来防止野火蔓延。● 由于身体限制和责任，并非每个人都有时间修剪大片草坪，也无法或不愿花费数千美元来支付修剪草坪的费用。● 我们社区和国家的居民都居住在农村地区，拥有大片土地。即使是居住在住宅区的人，周围仍然被需要维护的植被所包围，以帮助解决这个全球性问题。
基于扩散模型的机器人视觉运动策略学习
背景和动机视觉策略学习涉及将视觉观察映射到运动动作上，使机器人能够有效地与环境互动。传统方法通常在多模式作用分布的复杂性以及对高精度和时间一致性的需求中挣扎。最近引入的扩散策略通过采用有条件的降级扩散过程来生成机器人动作，从而提供了有希望的解决方案。这些模型在产生复杂的行为方面表现出了卓越的性能，使其成为机器人操纵和组装任务的理想候选人。此外，整合自然语言处理（NLP）允许多功能任务调理，使机器人能够根据人类指令执行各种任务。
