XiaoMi-AI文件搜索系统
World File Search System4D
在3D和4D的生成模型中的PHD位置（3D+T ... - AFIG
开始日期：尽快主管：穆罕默德·道迪（Mohamed Daoudi）（IMT北欧欧洲），SylvainArguillère（CNRS/UNIV。里尔）与马丁·鲍尔（Martin Bauer）（美国佛罗里达州立大学）和尼古拉斯·夏隆（Nicolas Charon）（美国休斯顿大学）合作。要填写填写表格：https：//docs.google.com/forms/d/e/1faipqlscb93qqvatvdsyskfuihwklpr13p4imcb wgcoi27U4SZQCCANA/view form？4D Shape项目将于2024年11月和过去3年开始。它涉及来自法国和美国的4个合作伙伴。目标3D/4D人类形状，生成模型，表面的几何形状。近年来，人们对分析和产生3D人类（身体和面部）的形状和运动的兴趣增加。3D人类形状估计算法，3D扫描技术，硬件加速3D图形和相关工具的进步正在使大规模3D人类形状数据访问。此数据通常以3D表面网格的形式出现，通常，这些表面网格与连贯的离散化相对应，即，相同的表面可以由许多不同的三角形网格表示，连通性不同，并且数量不同。因此，当应用于此类真实数据时，专为参数化表面的3D/4D形状分析而设计的方法将面临严重的限制。拟议研究的中心假设是几何方法和深度学习技术的结合将导致这些具有挑战性的问题在理论和定量绩效突破。该项目的目的是识别，开发和完善自然框架，在该框架中，可以既可以嵌入和生成人体的表面，又可以独立于参数化/离散的方式，包括原始扫描，以捕获和复制主体的身份及其能够产生的自然运动。它将提供理论和实用的新工具，不仅用于比较3D/4D表面，而且还可以定义新颖的变形过程，以使其运动和/或更改其身份，而与输入数据的参数化方式无关。在我们的框架中包括4D数据，我们希望结果将为包括虚拟现实，AR/VR内容创建，游戏和情感计算在内的多个应用程序打开新的视野。国际合作该项目是由ANR和NSF资助的国际项目。项目4DShape参与的小组已在顶级期刊和
4D打印湿度驱动的种子灵感的软机器人
天然素种子是软机器人技术中的榜样，这要归功于它们自主在湿度变化驱动的土壤中自主移动的能力。其迁移率和适应性背后的秘密体现在生物学吸湿组织的分层结构和解剖学特征中，几何设计为选择性地响应环境湿度。通过生物启发的方法，研究了肠肢（L.F.）野生种子的内部结构和生物力学，以开发用于设计软机器人的模型。作者根据自然规范和模型，利用4D印刷材料的重塑能力来制造类似种子的软机器人，并使用可生物降解和吸湿的聚合物。机器人模仿天然种子的运动和性能，达到≈30μnm的扭矩值，伸展力为≈2.2.5mn，它能够提起其自身重量的100倍。在环境湿度变化的驱动下，人工种子能够探索样品土壤，使其形态适应与土壤粗糙度和裂缝相互作用。
具有空间和时间控制的软执行器的 4D 多材料打印
软致动器 (SA) 是一种可以与精密物体进行交互的设备，而传统机器人无法实现这种交互方式。虽然可以设计一种通过外部刺激触发驱动的 SA，但使用单一刺激会对驱动的空间和时间控制带来挑战。本文介绍了一种 4D 打印多材料软致动器设计 (MMSA)，其驱动仅由触发器组合（即 pH 和温度）启动。使用 3D 打印，设计了一种多层软致动器，该致动器具有亲水性 pH 敏感层和疏水性磁性和温度响应形状记忆聚合物层。水凝胶通过膨胀或收缩来响应环境 pH 条件，而形状记忆聚合物可以抵抗水凝胶的形状变形，直到被温度或光触发。这些刺激响应层的组合允许对驱动进行高水平的时空控制。通过一系列货物捕获和释放实验，证明了 4D MMSA 的实用性，验证了其展示主动时空控制的能力。MMSA 概念为开发多功能软设备提供了一个有前途的研究方向，这些设备在生物医学工程和环境工程中具有潜在的应用前景。
3D和4D打印的当前进步和药物用途的概述
在过去的几十年中，使用三维（3D）印刷品的使用大大受益于患者特定的假肢，药物给药，组织和器官的制造以及手术计划的发展。由于美利坚合众国于2015年发起了精密医学计划，因此对定制医疗保健的热情增加了。简而言之，“个性化医学”一词是指针对患者量身定制的医疗服务。尽管如此，在3D打印中使用的生物医学材料通常是稳定的，在人体的内部环境中无法做出反应或自适应和聪明。以前的制造，其中包括在将其释放到目标表面之前在平坦的基材上打印，可能会导致印刷部分和目标区域之间的差异。3D打印是一种可用于提供自定义治疗的方法。在采用可以通过刺激进行调整的组件时，开发了四维（4D）打印。一些研究人员最近一直在研究一个将药物与3D和4D打印融合的新领域。4D打印的开发克服了许多此类问题，并为生物医学行业创造了一个有希望的未来。已预编程的智能材料可用于4D打印中，以创建与外部刺激相互作用的结构。尽管有这些好处，但使用4D技术创建的动态材料仍在其开发中。结果，出现了有关药品和配方的几种想法，这些想法可能被定制和印刷。此外，Spritam®是由3D打印生产的第一家药物，确实已经到达了医疗设施。本文提供了几种3D和4D打印技术的摘要，以及它们在制药行业中如何用于定制医学和药物输送系统。
使用4D BIM
人类活动识别（HAR）是机器人相互作用（PHRI）任务的机器人感知的关键成分。在施工机器人技术中，机器人对工人活动具有准确而强大的感知至关重要。这种增强的看法是在工业环境中值得信赖和安全的人类机器人协作（HRC）的基础。许多开发的HAR算法缺乏确保无缝HRC的鲁棒性和适应性。最近的作品采用了多模式方法来增加特征注意事项。本文进一步扩展了先前的研究，包括4D构建信息建模（BIM）计划数据。我们创建了一条管道，该管道将高级BIM计划活动转换为一组低级任务。框架然后将此子集用作限制HAR算法可以预测活动的解决方案空间的工具。通过通过4D BIM计划数据限制此子空间，该算法的机会更高，可以从本地化设置中较小的可能性池中预测实际可能的活动，而不是在每个点计算所有全球可能性。结果表明，所提出的方法在不利用BIM数据的情况下实现了基本模型的更高置信度预测。
ratrack：使用4D雷达点云
摘要 - 移动自主权依赖于动态环境的精确感知。在3D世界中强有力地跟踪移动对象，因此在诸如Trajectory预测，避免障碍和路径计划之类的应用中起着关键作用。虽然大多数当前方法利用激光镜或摄像机进行多个对象跟踪（MOT），但4D成像雷达的功能仍未得到探索。认识到4D雷达数据中雷达噪声和点稀疏所带来的挑战，我们引入了Ratrack，这是一种针对基于雷达的轨道量身定制的创新解决方案。绕过对特定对象类型和3D边界框的典型依赖，我们的方法着重于运动分割和聚类，并由运动估计模块丰富。评估在“视图”数据集中，ratrack展示了移动对象的卓越跟踪精度，在很大程度上超过了最新技术的性能。我们在https://github.com/ljacksonpan/ratrack上发布代码和模型。
可重编程的4D组织工程水凝胶支架通过可逆离子
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2025年2月15日。 https://doi.org/10.1101/2025.02.11.637741 doi：Biorxiv Preprint
统一的3D和4D全景分割通过动态移动网络
摘要 - 随着自动驾驶的快速进步，为其感应系统配备更全面的3D感知变得至关重要。但是，广泛探索的任务（例如3D检测或点云语义分段）重点是解析对象（例如汽车和行人）或场景（例如树木和建筑物）。在这项工作中，我们建议解决基于激光雷达的全景分段的具有挑战性的任务，该任务旨在以统一的方式解析对象和场景。特别是我们提出了动态转移网络（DS-NET），该网络是Point Cloud Realm中有效的全景分割框架。ds-net具有用于复杂LIDAR点云分布的动态移位模块。我们观察到，BFS或DBSCAN（例如BFS或DBSCAN）的常用聚类算法无法处理具有非均匀点云分布和不同实例大小的复杂自主驾驶场景。因此，我们提出了一个有效的可学习聚类模块，动态转换，该模块可以随时适应内核功能。为了进一步探索时间信息，我们将单扫描处理框架扩展到其时间版本，即4D-DS-NET，以进行4D Panoptic分割的任务，其中应为多个框架提供相同的ID ID预测。我们建议以更统一的方式求解4D Panoptic分割，而不是将跟踪模块附加到DS-NET上。该代码可在https://github.com/hongfz16/ds-net上公开获取。具体而言，4D-DS-NET首先通过对齐连续的LiDAR扫描来构造4D数据量，然后在其上执行时间统一的实例聚类以获得最终结果。进行了两个大规模自动驾驶激光雷达数据集（Semantickitti和Panoptic Nuscenes）的广泛实验，以证明所提出的溶液的有效性和出色性能。
Memo-GNN：用于 4D 脑连接预测的记忆感知图神经网络
大脑神经回路的连接模式形成一个复杂而动态的网络。通过观察这些网络随时间的变化，我们可以检测出脑部疾病。最近的研究表明，使用图神经网络可以从单一观察中预测脑回路的演变。这种能力可以对脑部疾病进行早期诊断，有助于防止其发展为阿尔茨海默病等更严重的疾病。然而，现有的研究都没有探索生成与真实大脑连接组在认知上一致的大脑连接组的潜力。为了弥补文献中的这一空白，我们引入了记忆感知图神经网络模型——MemoGNN。我们的主要贡献包括：(i) 开发和实施第一个能够预测具有记忆感知的 4D 大脑连接的 GNN 模型。(ii) 评估 MemoGNN 在两个不同的记忆容量任务上的表现：文献中定义的常规记忆容量任务和新引入的语言注入记忆容量任务。 (iii) 在各种 GNN 模型和数据集上对 MemoGNN 进行基准测试。我们的结果表明，MemoGNN 模型在生成与实际记忆功能紧密相关的大脑连接方面优于其他模型。虽然使用常规记忆容量任务训练的 MemoGNN 模型没有提高生成图的 MAE，但与非记忆感知模型相比，它表现出的拓扑错误更少。相反，使用语言注入记忆容量任务训练的 MemoGNN 模型超过了基线模型的 MAE。