XiaoMi-AI文件搜索系统
World File Search SystemBiman
由早期手臂双臂强化疗法引起的变化，包括单侧脑瘫的幼儿的下肢
设计，设置和参与者这项前瞻性随机临床试验（2018年11月至2021年12月），包括2个平行组和1：1的分配，招聘在欧洲大学医院，脑瘫专业中心和自发应用在3个地点：比利时布鲁塞尔，比利时。布雷斯特，法国；和意大利比萨。匹配（包含年龄，病变类型，脑瘫原因和受影响的侧面）对随机分组。在基线（T1）后2周（T1）和基线后3个月（T2）评估了幼儿（T0）（T0）。医疗保健专业人员和主要结果评估者对小组分配视而不见。至少有23个年龄较大的儿童（每组），年龄在12至59个月中，患有痉挛性/运动障碍UCP，并且需要遵循指示。排除标准包括不受控制的癫痫发作，预定的肉毒杆菌毒素注射，计划在研究期之前或期间6个月内安排的骨科手术，严重的视觉/认知障碍或磁共振成像的禁忌症。
双人上肢任务实践和经皮电刺激增强了慢性宫颈脊髓损伤后的脊柱塑性和手部功能
保留所有权利。未经许可就不允许重复使用。（未经同行评审证明）是作者/资助者，他已授予Medrxiv的许可证，以永久显示预印本。
基于负担区和人类示范的学习空间双人行动模型
摘要 - 在本文中，我们提出了一种新颖的方法，用于通过在负担能力区域之间提取空间约束（称为负担限制），从人类辩护中学习双人操纵作用。负担区域被定义为为代理提供交互可能性的对象部分。例如，瓶子的底部为要放置在表面上的物体，而其喷口则为要倒的液体提供。我们提出了一种新的方法，以了解人类演示中负担限制的变化，以构建代表对象相互作用的空间双人作用模型。为了利用这些空间双人动作模型中编码的信息，我们制定了一个优化问题，以确定跨多个执行关键点之间的最佳对象配置，同时考虑到初始场景，学习的负担能力约束以及机器人的运动学。我们通过两个示例任务（倒水和滚动面团）评估模拟方法的方法，并比较了可承受性约束的三个不同定义：（i）Carte-Sian空间中负担能力区域之间的距离，（II）组件之间的差异区域之间的偏差区域之间的差异空间和（III II II）的满意度的满意度的smerferatival symertics symertiant sysercant的距离为特定。
rp1m：用于钢琴的大型运动数据集，与双人灵巧的机器人手
摘要：将机器人手赋予人类水平的灵活性是一个长期的研究目标。bimanual机器人钢琴演奏构成了一项任务，该任务构成了动态任务所挑战的任务，例如快速产生同时精确的动作，并且较慢但触及率丰富的操纵问题。尽管基于强化的学习方法在单个任务中表现出了令人鼓舞的结果，但这些方法在多首歌的环境中挣扎。我们的作品旨在缩小这一差距，从而为机器人钢琴演奏而启用模仿学习方法。为此，我们介绍了100万（RP1M）数据集的机器人钢琴，其中包含比起一百万个轨迹的双人机器人钢琴弹奏运动数据。我们将手指放置作为最佳运输问题，因此可以自动注释大量未标记的歌曲。基准测试现有的模仿学习方法表明，这种方法通过利用Rp1m⋄来达到有希望的机器人钢琴弹奏性能。
探索双人机器人操纵中的主动视力
摘要 - 模仿学习在使用相机的视觉反馈执行高精度操纵任务方面具有巨大的潜力。但是，在模仿学习的常见实践中，将摄像机固定在适当的位置，从而导致遮挡和有限的视野等问题。此外，摄像机通常被放置在宽阔的一般位置，而没有特定于机器人任务的有效观点。在这项工作中，我们研究了主动视力（AV）对模仿学习和操纵的效用，在该工作中，除了操纵政策外，机器人还从人类的演示中学习了AV政策，以动态地改变机器人的相机观点，以获取有关其环境和给定任务的更好信息。我们介绍了AV-Aloha，这是一种带有AV的新型双层远程处理机器人系统，AV的扩展是Aloha 2机器人系统的扩展，并结合了一个仅携带立体声摄像机的额外的7多型机器人臂，仅负责找到最佳视图点。此相机将立体视频流向戴着虚拟现实（VR）耳机的操作员，使操作员可以使用头部和身体运动来控制相机的姿势。该系统提供了具有双层第一人称控制的身临其境的远程操作体验，从而使操作员能够动态探索和搜索场景并同时与环境进行交互。我们在现实世界和模拟中对系统进行模仿学习实验，这些任务强调观点计划。项目网站：https：//soltanilara.github.io/av-aloha/我们的结果证明了人类引导的AV在模仿学习中的有效性，显示了可见性有限的任务中固定相机的显着改善。
石墨烯 - 电解质双层的恒定化学势 - Quantum机械 - 分子动力学模拟
摘要：双人操作对于它在与环境交互时为机器人提供增加功能的潜力以及扩大可用的操作动作的数量而有价值。但是，要使机器人执行双字操作，系统必须具有一个强大的控制框架，以对每个子系统进行定位和生成轨迹和命令，以允许成功进行合作操作以及对每个单个子系统的足够控制。提出的方法建议使用多个通过使用光学跟踪定位方法充当单个双层操作系统的多个移动操纵器平台。框架的性能取决于本地化的准确性。由于命令主要是高级的，因此可以在此框架内使用移动操纵器和固定操纵器的任何数字和组合。我们使用两个不同的全向移动操纵器在Pybullet仿真环境中进行测试来证明该系统的功能，以及使用两个四倍体操纵器的真实实验。
BI-KVIL：基于关键点的双人操纵任务的视觉模仿
摘要 - 由于计算机视觉的最新进展，视觉模仿学习在学习一小部分视觉观察中学习的单人操纵任务方面取得了令人印象深刻的进步。然而，从双人视觉演示中学习双人协调策略和复杂的对象关系，并将其推广到新颖的混乱场景中的分类对象仍然是尚未解决的挑战。在本文中，我们将以前的有关基于关键的视觉模仿学习（K-VIL）[1]的工作扩展到了双人操作任务。拟议的BI-KVIL共同提取对象和手，双人协调策略以及子符号任务代表的所谓混合主奴隶关系（HMSR）。我们的双人任务表示形式是以对象为中心的，无独立的和视点为主的，因此可以很好地归因于新颖场景中的分类对象。我们在各种现实世界中评估了我们的方法，展示了其从少数人类演示视频中学习细粒度的双人操作任务的能力。视频和源代码可从https://sites.google.com/view/bi-kvil获得。
通过大脑实现双手机械臂的共享控制......
智能机器人系统和脑机接口 (BMI) 的进步帮助患有感觉运动障碍的个体恢复了功能和独立性；然而，由于通过用户输入以协调的方式控制多个肢体的多个自由度 (DOF) 的技术复杂性，需要双手协调和精细操作的任务仍然未得到解决。为了应对这一挑战，我们实施了一种协作共享控制策略来操纵和协调两个模块化假肢 (MPL) 以执行双手自我进食任务。一位在感觉运动大脑区域有微电极阵列的人类参与者向两个 MPL 发出命令来执行自我进食任务，其中包括双手切割。从双侧神经信号解码运动命令，以一次控制每个 MPL 上的最多两个 DOF。共享控制策略使参与者能够将其四自由度控制输入（每只手两个）映射到多达 12 个 DOF，以指定机器人末端执行器的位置和方向。通过使用神经驱动的共享控制，参与者成功同时控制了两个机械肢体的运动，从而在复杂的双手自主进食任务中切开和进食食物。通过 BMI 与智能机器人行为协作实现的双手机器人系统控制的演示对于恢复感觉运动障碍患者的复杂运动行为具有重要意义。
基于增强现实的双手机器人远程操作界面
摘要：双手机器人的远程操作正用于执行复杂的任务，例如医学手术。尽管技术取得了进步，但当前的界面对用户来说并不自然，他们花费大量时间来学习如何使用这些界面。为了缓解这个问题，本文提出了一种基于增强现实的新型远程操作双手机器人界面。所提出的界面对用户来说更自然，并减少了界面学习过程。本文详细介绍了所提出的界面，并使用两个工业机器人操纵器通过实验证明了其有效性。此外，还分析了使用操纵杆的经典远程操作界面的缺点和局限性，以突出所提出的基于增强现实的界面方法的优势。
o r i g i n a l r e s a a r c h使用活细胞评估癌细胞的钴金属纳米颗粒摄取
脑部计算机界面（BCIS）近年来已经达到了重要的里程碑，但是连续控制运动中的大多数突破都集中在具有运动皮层或周围神经的侵入性神经界面上。相比之下，非侵入性BCI主要在使用事件相关数据的连续解码方面取得了进展，而大脑数据的运动命令或肌肉力的直接解码是一个开放的挑战。来自人类皮层的多模式信号，从相结合的氧合和电信号的移动脑成像中获得，由于缺乏能够融合和解码这些混合测量值的计算技术，因此尚未发挥其全部潜力。为了刺激研究社区和机器学习技术，更接近人工智能的最新技术，我们在此释放了一个整体数据集的混合性非侵入性措施，以进行连续力解码：混合动力学握把（Hygrip）数据集。We aim to provide a complete data set that comprises the target force for the left/right-hand cortical brain signals in form of electroencephalography (EEG) with high temporal resolution and functional near-infrared spectroscopy (fNIRS), which captures in higher spatial resolution a BOLD-like cortical brain response, as well as the muscle activity (EMG) of the grip muscles, the force generated at the grip sensor （力）和混淆噪声源，例如任务过程中的呼吸和眼动活动。总共14位右手受试者在每只手最大自愿收缩的25–50％内执行了单项动态握力任务。Hygrip旨在作为基准，其中有两个开放挑战和用于抓地力解码的研究问题。首先是跨越时间尺度的大脑信号的数据的剥削和融合，因为脑电图的变化速度比FNIRS快三个数量级。第二个是与每只手使用的全脑信号的解码，以及每只手共享特征的程度，或者相反，每只手不同。我们的同伴代码使BCI，神经生理学和机器学习社区中的研究人员易于获取数据。hygrip可以用作开发BCI解码算法和响应的测试床，从而融合了多模式脑信号。由此产生的方法将有助于理解局限性和机会，从而使人们在健康方面受益，并间接地为类似的方法提供信息，从而满足疾病中人们的特殊需求。