XiaoMi-AI文件搜索系统
World File Search SystemGRASP
在四脑性人>中的皮质grasp电路中解码掌握和语音信号
皮质抓紧网络编码语言的grasps和流程的规划和执行。该网络中的高级皮质区域是用于脑麦克氨酸界面（BMIS）的有吸引力的植入物。 虽然四边形患者执行了掌握运动图像和发声的语音，但从超肉眼回去（SMG），腹侧前的皮层（PMV）和So-超感染性皮质（S1）记录了神经活动。 在SMG和PMV中，五个想象的grasps在视觉提示呈现过程中由神经元种群的结构很好地表示。 在运动图像期间，这些抓取物在所有大脑区域都可以显着解码。 在语音生产过程中，SMG编码了口语掌握类型和五种颜色的名称。 虽然PMV神经元在掌握过程中显着调节其活性，但SMG的神经种群广泛编码运动图像和语音的特征。 一起，这些结果表明，来自人类皮层高级区域的大脑信号可用于抓握和语音BMI应用。该网络中的高级皮质区域是用于脑麦克氨酸界面（BMIS）的有吸引力的植入物。虽然四边形患者执行了掌握运动图像和发声的语音，但从超肉眼回去（SMG），腹侧前的皮层（PMV）和So-超感染性皮质（S1）记录了神经活动。在SMG和PMV中，五个想象的grasps在视觉提示呈现过程中由神经元种群的结构很好地表示。在运动图像期间，这些抓取物在所有大脑区域都可以显着解码。在语音生产过程中，SMG编码了口语掌握类型和五种颜色的名称。虽然PMV神经元在掌握过程中显着调节其活性，但SMG的神经种群广泛编码运动图像和语音的特征。一起，这些结果表明，来自人类皮层高级区域的大脑信号可用于抓握和语音BMI应用。
FESIA GRASP | 科学手册 | Lyncare
1. Offner 等人 (1965)。专利 3,344,792。 2. Bosques, G.、Martín, R.、McGee, L. 和 Sadowsky, C. (2016)。治疗性电刺激能改善残疾儿童的功能吗？综合文献综述。儿科康复医学杂志，9(2)，83-99。https://doi. org/10.3233/PRM-160375 3. Hara, Y. (2013)。中风患者的功能性电刺激康复。国际物理医学与康复杂志，1(6)，1000147。 4. Howlett, O.、Lannin, NA、Ada, L. 和 McKinstry, C. (2015)。功能性电刺激可改善中风后的活动能力：系统评价和荟萃分析。物理医学与康复档案，96(5)，934-943。https://doi.org/10.1016/j.apmr.2015.01.013 5. Patil, S., Raza, WA, Jamil, F., Caley, R., & O'Connor, RJ (2015)。四肢瘫痪脊髓损伤上肢的功能性电刺激：系统评价。医学工程与技术杂志，39(7)，419-423，https://doi.org/10.3109/03091902.2015.1088095 6. Sabut, SK, Lenka, PK, Kumar, R., & Mahadevappa, M. (2010)。功能性电刺激对中风患者努力和步行速度、表面肌电图活动和代谢反应的影响。肌电图和运动机能学杂志，20(6)，1170–1177。https://doi.org/10.1016/j.jelekin.2010.07.003 7. Thompson, AK、Estabrooks, KL、Chong, S. 和 Stein, RB (2009)。慢性中枢神经系统损伤和功能性电刺激后踝屈肌和伸肌的脊髓反射。神经康复与神经修复，23(2)，133– 142。https://doi.org/10.1177/1545968308321067 8. Everaert, DG、Stein, RB、Abrams, GM、Dromerick, AW、Francisco, GE、Ha- fner, BJ, … Kufta, CV (2013)。足下垂刺激器和踝足矫形器对中风后步行能力的影响：一项多中心随机对照试验。神经康复与神经修复，27(7)，579–591。https://doi. org/10.1177/1545968313481278
用一只手抓住多个对象
摘要 - 人手的错综复杂的运动学能够同时抓握和操纵多个对象，这对于诸如对象传递和手持操作等任务必不可少。尽管具有重要意义，但机器人多对象抓握的领域是相对尚未探索的，并且在运动学，动力学和对象配置方面面临着显着的挑战。本文介绍了Multigrasp，这是一种新型的两阶段方法，用于在桌面上使用灵巧的多指机器人手抓住多物体。该过程包括（i）生成pre-grasp提案，以及（ii）执行掌握和提起对象。我们的实验重点主要是双对象抓地力，达到了44.13％的成功率，突出了对新对象配置的适应性和不精确的掌握能力。此外，该框架证明了以推理速度为代价的两个以上对象的潜力。
灵巧的抓紧变压器-CVF Open Access
在这项工作中，我们提出了一种新颖的歧视性框架，用于灵巧的掌握生成，称为d外部g rasp tr ansformer（dgtr），能够通过仅使用一个向前的通行方式处理对象点云来预测一组可行的抓握姿势。我们将敏捷的掌握生成作为设定的预测任务，并为其设计一个基于变压器的握把模型。但是，我们确定此设置的预测范式在灵活的掌握领域遇到了几种优化的挑战，并导致限制性能。为了解决这些问题，我们提出了培训和测试阶段的渐进策略。首先，提出了动态静态匹配训练（DSMT）策略，以增强训练阶段的光学稳定性。第二，我们使用一对对抗性损失来实现对抗平衡的测试时间适应（ABTTA），以提高测试阶段的掌握质量。dexgraspnet数据集的实验结果证明了DGTR可以预测具有高质量和多样性的灵活掌握姿势的能力。值得注意的是，在保持质量高的同时，DGTR Sigsigs所预测的Grasp的多样性明显优于先前的多个指标，而没有任何数据预处理。代码可在https://github.com/isee-laboratory/dgtr上找到。
机器人掌握计划：从演示中学习
摘要：机器人抓握构成实现先进工业运营复杂性的重要能力。该领域已进行了广泛的研究，以解决一系列实际应用。然而，稳定的掌握的产生仍然具有挑战性，这主要是由于对象几何形状和任务的多种目标所施加的限制。在这项工作中，我们提出了一种从基于演示的Grasp计划框架中进行的新颖学习。该框架旨在从单个演示中提取至关重要的人类掌握技能，即接触区域和接近方向。然后，它提出了一个优化问题，该问题集成了提取的技能以产生稳定的掌握。与传统方法不同，这些方法依赖于通过人类演示来学习隐式协同作用，或绘制人手和机器人抓手之间的不同运动学，我们的方法着重于学习涉及潜在接触区域和握把方法方向的直觉人类意图。此外，我们的优化公式能够通过最大程度地减少对象和握把手指表面所示的接触区域之间的表面拟合误差来识别最佳掌握，并对所证明的抓手和接近方法指示之间的任何不对对准施加惩罚。进行了一系列实验，以通过模拟和现实世界情景来验证所提出的算法的有效性。
基础模型的大规模掌握数据集
摘要 - 诸如Chatgpt之类的基础模型由于其对现实世界的普遍代表而在机器人任务中取得了长足的进步。在本文中，我们利用基本模型来解决Grasp检测，这是具有广泛工业应用机器人技术的持续挑战。尽管数据集很多，但与现实世界数字相比，它们的对象多样性仍然有限。幸运的是，基础模型具有广泛的现实知识存储库，包括我们在日常生活中遇到的对象。因此，对以前的GRASP数据集中有限表示的有希望的解决方案是利用这些基础模型中嵌入的通用知识。我们提出了Grasp-noth，这是一种从基础模型中合成的新的大规模掌握数据集来实施该解决方案。掌握在多样性和幅度上都擅长，具有文本描述和超过3M对象的1M样品，超过了先前的数据集。从经验上讲，我们表明，任何东西都成功地促进了对基于视觉的任务和现实世界机器人实验的零射击抓手的检测。我们的数据集和代码可在https://airvlab.github.io/grasp-anything/上找到。
学习用交互式视觉失败预测掌握混乱中的
摘要 - 现代仓库处理数百万个独特的物体，这些物体通常存储在密集的容器中。为了在此环境中自动化任务，机器人必须能够从高度混乱的场景中挑选各种对象。现实世界学习是一种有前途的方法，但是在现实世界中执行选秀权是耗时的，可能会导致昂贵的失败，并且通常需要大量的人类干预，这会导致操作负担并限制数据收集和部署的范围。在这项工作中，我们利用交互式探针在不完全执行选片的情况下视觉评估杂物中的grasps，我们称为交互式视觉失败（IVFP）。这可以在执行过程中对GRASP的自主验证，以避免昂贵的下游失败以及自主奖励分配，从而提供监督以连续塑造并改善机器人在现实世界中的经验，而无需不断需要人类干预。通过在RESTARTH RE1机器人上进行实验，我们研究了IVFP对绩效的影响 - 无论是在有效的数据吞吐量和成功率方面，都表明这种方法会导致掌握单独接受人类监督的政策的政策，同时需要减少人为干预。代码，数据集和视频，请访问https://robo-ivfp.github.io
g-hop：相互作用重建的生成性手动对象和掌握合成
和一个锅的不同）或意图（例如通过刀与使用它进行切割），我们人类可以毫不费力地描绘出与日常生活中日常物体的这种互动。在这项工作中，我们的目标是构建一个可以同样生成合理的手动配置的计算系统。具体来说，我们学习了一个基于扩散的常规模型，该模型捕获了3D相互作用期间手和对象的关节分布。给定一个类别的描述，例如“握着板的手”，我们的生成模型可以合成人手的相对配置和表达（见图1个顶部）。我们解决的一个关键问题是，该模型是什么好的HOI表示。通常通过空间（签名）距离场来描述对象形状，但人的手通常是通过由发音变量控制的参数网格建模的。我们提出了一个均匀的HOI表示，而不是在生成模型中对这些不同的代表进行建模，并表明这允许学习一个共同生成手和对象的3D扩散模型。除了能够合成各种合理的手和物体形状的综合外，我们的扩散模型还可以在跨任务的辅助推理之前作为通用，而这种表示是所需的输出。例如，重建或预测相互作用的问题对于旨在向人类学习的机器人或试图帮助他们的虚拟助手来说是核心重要性。重建的视频重新投影错误）或约束（例如我们考虑了这些行沿着这些行的两个经过深入研究的任务：i）从日常交互剪辑中重建3D手对象形状，ii）鉴于任意对象网格，合成了合理的人类grasps。为了利用学到的生成模型作为推论的先验，我们注意到我们的扩散模型允许在任何手动对象配置给定的（近似）log-likelihood梯度计算（近似）log-likelihoodhoodhood。我们将其纳入优化框架中，该框架结合了先前的基于可能性的指南与特定于任务的目标（例如已知对象网格的合成）推理。虽然理解手动相互作用是一个非常流行的研究领域，但现实世界中的数据集限制了3D中这种相互作用的限制仍然很少。因此，我们汇总了7种不同的现实世界交互数据集，从而导致157个对象类别的相互作用长期收集，并在这些范围内训练共享模型。据我们所知，我们的工作代表了第一个可以共同生成手和对象的生成模型，并且我们表明它允许综合跨类别的各种手动相互作用。此外，我们还经验评估了基于视频的重建和人类掌握合成的任务的先前指导的推断，并发现我们所学的先验可以帮助完成这两个任务，甚至可以改善特定于特定于任务的状态方法。
01 GRASP 演示清洁空间工业日 2023.pdf
• 为 RAFTI 抓钩装置提供软、硬捕获能力 • 可用于柔性和不柔性航天器结构环境 • 实现 RAFTI 阀芯（OF 开发的任何类型）的接合 • 实现双向流体流动 • 提供 0 级未配对抑制 • 与 RAFTI 配对时提供 2 级落水抑制 • 在“捕获框”内执行软捕获（错位和位移包络线、相对速度包络线） • 执行 RAFTI 和主动阀芯的硬捕获和对准 • MEOP = 300 Bar • 捕获框值：20-100 mm xyz、10 度 xyz、0.01 m/s xyz • 夹紧力 = 1kN • 对接后最大接口负载 = TBC N • 流量 = 0.5 Bar dP，最大 10g/s 水
GRASP：加速 GPU 并行架构上基于哈希的 PQC 性能
签名和验证过程。我们为 SPHINCS+ 提出了一种适应性并行化策略，分析其签名和验证过程以确定高效并行执行的关键部分。利用 CUDA，我们执行自下而上的优化，重点关注内存访问模式和超树计算，以提高 GPU 资源利用率。这些努力与内核融合技术相结合，显著提高了吞吐量和整体性能。大量实验表明，我们优化的 SPHINCS+ CUDA 实现具有卓越的性能。具体而言，与最先进的基于 GPU 的解决方案相比，我们的 GRASP 方案可将吞吐量提高 1.37 倍到 3.45 倍，并比 NIST 参考实现高出三个数量级以上，凸显了显著的性能优势。