XiaoMi-AI文件搜索系统
World File Search System目标运动
标题：人类动作准备需要皮质脊髓神经计算
图 1：在目标导向动作准备过程中对人类 CS 输入输出的评估。a、皮质脊髓 (CS) 输入输出 104 可以表现出从基线静息到准备状态的加法和/或乘法调节。b、目标导向动作准备 105 通过需要左 (L) 或右 (R) 反应的指示延迟双选反应时间任务进行评估。大多数试验都是 go 试验 106，在此期间命令性刺激出现直到记录反应时间 (RT) 或 0.8 秒过去。包括一组 catch 试验 (~8%) 107，以防止参与者预测命令性刺激的开始。 c ，实验分为手间任务和 108 手内任务，当目标运动表征处于基线状态以及被选中、未被选中或与动作准备无关时，可使用单脉冲经颅磁刺激 109 (TMS) 评估左手食指的 CS 输出。此处，输入是相对于参与者的静息运动阈值 (%RMT) 的 TMS 强度，输出是随后的运动诱发电位 (MEP) 的幅度 111。d ，CS 输入输出曲线来自任务前的静息状态 MEP 数据 (n = 39)，并使用三参数玻尔兹曼函数与基于人群的非线性混合效应模型进行拟合 112。绿点和误差线表示 113 每个 TMS 强度下的平均 MEP 幅度 ± 标准差。虚线灰色线表示参数估计值。114
自传中的神经科学的历史12
史蒂夫·利斯伯格（Steve Lisberger）一直是理解使用眼动运动作为醒着的模型系统的运动控制和运动学习的神经回路基础的先驱，表现非人类灵长类动物。接受了数学和计算机科学培训，他作为研究生转向神经科学。在整个50年的职业生涯中，他一直用作工具单单元电生理学，巧妙的目标运动范例，对眼动行为的定量分析和计算建模。他对小脑皮层的输出如何控制运动以及其与前庭反射（VOR）的相互作用进行了重要发现。他对VOR中运动学习的神经回路基础的分析显示，前庭输入中存在于小脑皮层和前庭核中“小脑核”神经元的三个平行VOR途径。他的研究生涯的后半部分扩展到了平稳追捕眼动的视觉指导分析。他评估了如何从外部视觉皮层中解码视觉运动的种群响应，并将解码器的神经回路基础表征为一种途径，它估计了物理目标运动的速度和方向，并且可以评估运动可靠性并利用它来设置信号传播的强度，从而将信号传递从视觉系统到电机系统。最近，他将运动学习用于追捕眼运动，以阐明小脑皮层中学习神经回路的工作原理。
KSCO-2002 会议记录
目录简介 3 Allsopp, D.N.、Beautement, P.、Bradshaw, J.M.、Durfee, E.H.、Kirton, M.、 5 Knoblock, C.A.、Suri, N.、Tate, A. 和 Thompson, C.W. “联盟代理实验：国际联盟环境中的多代理合作” Bala, J.、Pachowicz, P. 和 Witham, R.A. “通过进化计算和 3-D 可视化支持联盟行动 21 目标运动探索” Barber, K.S.和 Martin, C. “联盟中决策者的自主性” 22 Bevinakoppa, S.、Kumar, D.K.、MacGovern, J.、Narayan, K. 和 Hicks, R. “基于知识的联盟规划和运营在医疗应用中” Desimone, R. 和 Charles, D. “面向情报分析和收集管理的本体论” 26 Doran, J. “基于代理的环境联盟形成建模” 33 Edwards, G.、Kettler, B.、Olin, K. 和 Tsurutani, B. “语义对象网上的代理：联盟行动的信息管理” Fletcher, M. “JACK：构建全息联盟的系统” 49 Fouse, S.、Delgado, R. 和 Beaton, B. “C-CINC21：21 世纪联盟指挥官的指挥与控制” 61世纪：先进概念技术演示 (ACTD) 报告” Hsu, E. “以群体为导向的联盟框架” 62 Jelinek, J. “军事行动的模型预测风险控制” 73 King, G., Heeringa, B., Westbrook, D., Catalano, J. 和 Cohen, P. 84 “失败模型” Klusch, M. 和 Gerber, A. “动态联盟形成问题” 91
Pepperpose：带有伴侣机器人的全身姿势估计
许多著名的研究工作[40，53，70]强调了准确的全身姿势估计的重要性，尤其是在涉及多个身体部位的行动成为信息交换的基本渠道的情况下。这尤其是在运动员训练[50]，运动教练[42]和运动康复[11，61]等领域的应用。在这些情况下，从全身姿势中提取详细的运动学特征的能力对于这些交互式系统的有效操作至关重要。但是，在开放和现实世界中实施姿势捕获系统构成了巨大的挑战。这在很大程度上是由于目标运动在各个空间位置及其行动的多样性的不可预测性。此外，要考虑到幼稚用户的可接受性至关重要，尤其是当他们需要佩戴设备或留在特定区域以享受服务时。为了在用户舒适度和姿势估计精度之间达到平衡，我们寻求一种多功能，灵活和交互式的副驾驶，当他们在空旷的区域移动和行动时，可以积极了解用户的骨骼姿势。鉴于机器人技术的最新进展，采用视觉机器人为此目的成为有前途的解决方案。尽管如此，这在用视觉系统驱动机器人时构成了独特的挑战和问题。在这项探索性工作中，我们针对一个中心问题：如何使视觉机器人适应其位置和观点，以跨不同空间位置和动作类型进行最佳姿势估计？工作这对于基于视觉的系统至关重要，因为固定视角和用户的不同方向引起的遮挡可以显着降低准确性。解决这些问题时，本文介绍了Pepperpose，这是与类人生物机器人集成的以姿势估计为中心的机器人系统[6]。我们训练了机器人在移动目标时积极跟踪他们，并调整观点以改善姿势估计结果。因此，Pepperpose可以充当基本的动作感应平台，该平台消除了用户对戴其他设备或留在受限区域内的需求。我们在涉及30名参与者的现实世界中评估了该系统的性能。，我们通过利用从参与者的全身运动捕获诉讼中获得的同步高保真姿势来量化其姿势估计的精度，从而整合了惯性测量单元（IMUS），其轨道损失率以及向各种参与者行动中的最佳观察位置移动到最佳观察位置的速度。虽然这种机器人的当前成本可能无法承受，但我们强调了机器人姿势估计解决方案的潜力，该解决方案可能会提供更丰富的交互机会，对用户体验的影响很小。