XiaoMi-AI文件搜索系统
World File Search SystemGRASPS
适应性：带有触觉重新定位的形状更换道具
我们提出了一种新颖的“混合”活动/被动触觉设备，可以改变形状，以作为VR中一系列虚拟对象的代理。我们将适应性与触觉重新定位一起重定向用户的手重定向，以提供仅使用单个道具触及的几个虚拟对象的触觉反馈。为了评估适应性通过触觉重新定位的有效性，我们进行了一个受试者内实验，采用对接任务将适应性与非匹配的代理对象（即造泡沫球）进行比较和匹配的形状支柱进行比较。在我们的研究中，Adaptic坐在用户前面的桌子上，并改变了grasps之间的形状，为放置在不同虚拟位置中的各种虚拟对象提供匹配的触觉反馈。结果表明幻觉令人信服：用户认为他们正在使用单个自适应设备在不同的虚拟位置操纵几个虚拟对象。与适应性的对接性能（综合时间和精度）与没有触觉重新定位的道具相当。
附录
我们现在概述了示波器状态的一些关键特性（如图6） - （1）首先，预抓机器人将机器人靠近目标对象，并将机器人的手掌和腕关节朝向物体。此接近度可确保前Grasps可以轻松地演变成稳定的掌握，而无需机器人探索整个状态空间。（2）此外，pre-prasp figer提出了有关对象功能部分的有价值信息，而无需机器人明确推理它。例如，将机器人的纤维夹在杯子手柄周围的固定器，为机器人抓住手柄提供了至关重要的信号，可以使机器人与杯子相互作用。此属性还意味着每个对象可能会有多个预段（对应于不同的功能）。（3）最后，预抓态激励有利的联系（例如与工具手柄的互动）并避免与物体的危险接触（例如刀边缘）和/或场景的任何其他部分（例如按到表中）。这是至关重要的，因为灵活的操作充满了触点，这些接触很难有效地建模，预测和理性。良好的预抓手为学习下游操纵行为提供了有利的开始和强大的动力。
6-DOF闭环抓握，并进行加固学习
摘要 - 我们提出了一个基于深厚的增强学习（DRL）的基于新颖的6多型，6多的抓地框架，该框架能够直接合成笛卡尔空间中的连续6-DOF动作。我们所提出的方法使用了直觉的RGB-D摄像头的视觉观察，我们通过域随机化，图像增强和分割工具的结合来减轻SIM到真实的间隙。我们的方法包括一个非政策，最大渗透性，演员算法，该算法从二进制奖励和一些模拟示例grasps中学习了政策。它不需要任何现实世界的掌握示例，对模拟进行了完全训练，并且直接部署到现实世界中而没有任何微调。The efficacy o f o ur a pproach i s d emonstrated i n simulation and experimentally validated in the real world on 6-DoF grasping tasks, achieving state-of-the-art results of an 86% mean zero-shot success rate on previously unseen objects, an 85% mean zero-shot success rate on a class of previously unseen adversarial objects, and a 74.3% mean zero-shot success rate on a class of previously看不见，具有挑战性的“ 6-DOF”对象。可以在https://youtu.be/bwpf8imvook
cfetp 2t0x1 - 空军
交通徽章纹章 徽章中心的猎鹰图案源自 1970 年 5 月 10 日在华盛顿特区国家大教堂为美国空军后勤人员所雕刻的三拱门终止石刻。猎鹰象征着交通人员的奉献精神和忠于职守的精神，他们帮助在整个战争范围内组建和使用国防力量。徽章的场地没有遮挡，描绘了自由的天空。徽章周围的橄榄枝象征着航空航天部队通过专业运输带来的和平。猎鹰的爪子抓住一个地球仪，这个地球仪代表从太空看到的地球，代表着我们的系统遍布全球和太空。环绕地球的是三支平行的箭头，象征着陆、海、空所有交通方式之间的团队合作。地球和箭头一起象征着空军运输愿景声明：建立世界上最有效的运输系统，为美国提供全球影响力。
将深Q学习与掌握质量网络的集成用于机器人在混乱的环境中抓住
摘要在机器人臂运动过程中，如果手臂直接抓住多个紧密堆叠的物体，则很容易发生碰撞，从而导致掌握故障或机器损坏。可以通过重新排列或移动对象清除抓握空间来提高成功。本文提出了一个高性能的深Q学习框架，可以帮助机器人手臂学习同步的推动和掌握任务。在此框架中，使用GRASP质量网络用于精确识别物体上的稳定掌握位置，以加快模型收敛性并解决由于掌握故障而在训练期间造成的稀疏奖励问题。此外，提出了一种新颖的奖励功能，以有效评估推动作用是否有效。在模拟和现实世界实验中，提出的框架分别达到了92％和89％的成功率。此外，仅需要200个培训步骤才能达到80％的成功率，这表明拟议的框架在工业环境中快速部署的适用性。
非线性适应时空滤波器，用于单审鉴定运动相关皮质电位
摘要：运动电位的执行或想象力反映了可以通过脑电图（EEG）作为运动相关皮质电位（MRCP）记录的皮质电位。单个试验中MRCP的识别是获得对脑计算机界面（BCI）的自然控制的挑战性可能性。我们提出了一种基于最佳非线条过滤器的MRCP检测的新方法，处理包括延迟样品（获得时空过滤器）的不同脑电图的不同通道。可以通过更改时间过滤器的顺序和输入数据的非线性处理来获得不同的输出。通过在训练集上进行交叉验证，选择最佳的分类（适用于用户），并从最佳三个投票以使用测试数据获得输出，从而评估了这些文件的分类性能。将该方法与我们小组最近引入的另一种最先进的过滤器进行了比较，该方法将其应用于16位执行或想象50个自定进度的上limb Palmar Grasps的健康受试者中。新方法在80％的整体数据集上具有中位数的准确性，这比以前的过滤器（即63％）要好得多。对于在线BCI系统设计具有异步，自定为自定进定应用的可行性。
samartha brahmbhatt
指导出版物1。“针对目标投掷的最终效力者的识别和学习控制” - Hasith Venkata Sai Pasala，Nagamanikandan Govindan和Samarth Brahmbhatt，IEEE Robotics and Automation and Automation Fetters，第1卷。9，不。11，pp。9558-9564，2024年11月2。“ Imagine2Servo: Intelligent Visual Servoing with Diffusion-Driven Goal Generation for Robotic Tasks ” - Pranjali Pathre, Gunjan Gupta, M. Nomaan Qureshi, Mandyam Brunda, Samarth Brahmbhatt , and K. Madhava Krishna, IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2024 3.“ OpenBot-Fleet：与真实机器人进行集体学习的系统” - MatthiasMéuller，Samarth Brahmbhatt，Ankur Deka，Ankur Deka，Quentin Leboutet，David Hafner和Vladlen Koltun和Vladlen Koltun，国际机器人和自动化（ICRA）2024 4。“偷偷摸摸的人：偷偷摸摸的声学本地化” - 孟尤杨，帕特里克·格雷迪，萨玛斯·布拉姆布哈特，Arun Balajee Vasudevan，Charles C. Kemp，Charles C. Kemp和James Hays，Inter-National-National-National-National-National-National-National-inter-National-inter-National-national-inter-National-national-of Robotics and Automation and Automation（ICRA）20224 5。“基于触觉的对象插入政策的零射击” - 萨玛斯·布拉姆·伯特（Samarth Brahmbhatt），安卡尔·德卡（Ankur Deka），安德鲁·斯皮尔伯格（Andrew Spielberg）和马蒂亚斯·米勒（MatthiasMéuller），国际机器人和自动化会议（ICRA）2023 6。“压力之间：估算单个RGB图像的手压力” - 帕特里克·格雷迪，昌昌唐，萨玛斯·布拉姆·Bhatt，克里斯托弗·D·特里克，陈德·沃恩，詹姆斯·海斯，詹姆斯·海斯和查尔斯·肯普，欧洲计算机视觉会议（ECCV）2022（ORAL）7。“对软机器人抓手的视觉压力估计和控制” - 帕特里克·格雷迪，杰里米·A·柯林斯，萨玛斯·布拉姆·布拉特，克里斯托弗·D·特·特维格，昌昌唐，詹姆斯·海斯和查尔斯·C·坎普，IEEE/RSJ IEEE/RSJ国际智能机器人与系统（IROS）（IROS）2022 8。“联系人：优化联系以提高抓地力” - 帕特里克·格雷迪，郑昌，明·沃，克里斯托弗·D。“联系人：带有物体接触和手动姿势的grasps的数据集” - 萨马斯·布拉姆·汉特（Samarth Brahmbhatt），昌昌唐（Chengcheng Tang），克里斯托弗·D·特克格（Christopher D. Twigg），查尔斯·C·肯普（Charles C.“走向无标记的抓握捕获” -Samarth Brahmbhatt，Charles C. Kemp和James Hays，AR/VR计算机视觉的第三次研讨会，CVPR 2019 11.“ ContactGrasp：来自接触的功能性多手指掌握综合” - Samarth Brahmbhatt，Ankur Handa，James Hays和Dieter Fox，IEEE/RSJ国际智能机器人和系统国际会议（IROS）2019
卡茨科学与健康学院
Natania Birnbaum 和 Amena Farooq（生物技术管理与创业硕士）正在与 Ke Chen 和 Ziyang Guo（数据分析与可视化硕士）合作，作为由人工智能博士后研究员 Sai Praveen Kadiyala 博士领导的跨学科团队的一部分，开发肌电外骨骼（机械手）以支持中风患者的上肢康复。尽管中风患者可能无法移动肌肉，但他们仍然会产生微弱的电信号，表面肌电图 (sEMG) 传感器可以通过皮肤产生的微电压检测到这些电信号。该团队正在构建手部外骨骼的原型，它可以从手臂的肌肉获取 sEMG 信号并利用它们来移动外骨骼的手指。他们的目标是创建一个可用于上肢康复的不同手势和复杂抓握的计算模型。机器人辅助治疗前景广阔，因为它们对患者和治疗师来说既方便又经济实惠，使治疗数据收集变得更加容易，并提高了患者的积极性。基于 sEMG 的方法的优点包括适应患者自身的身体运动，以及可能使用更轻便、更灵活、更舒适的机器人。
人工智能继承心理学的历史危机：挑战与选择的认识论和方法论研究
本文沿袭维果茨基的论述，运用文化历史活动理论（CHAT）和辩证逻辑，试图探讨心理学与人工智能（AI）之间的相互作用，以应对人工智能研究中遇到的认识论和方法论挑战。本文认为，人工智能正面临着从基于二元本体论的心理学继承而来的认识论和方法论危机。这场危机的根源在于理性主义和客观主义的二元性，或者说，心身断裂控制了科学思想的产生和方法的扩散。此外，本文通过强调人工智能的社会历史条件，探讨了危机从心理学转向人工智能的历史特征。此外，我们通过指出经验主义是该领域的主导趋势，研究了人工智能研究中遇到的主要挑战的认识论和方法论根源。经验主义引发了方法论和实践挑战，包括与意义的出现、抽象、概括、符号的出现、概念形成、现实的功能反映以及高级心理功能的出现相关的挑战。此外，通过讨论形式化辩证逻辑的尝试，本文基于矛盾形成，通过使用初步算法模型提出了一种定性的认识论、方法论和形式替代方案，该模型将意义的形成视为定性反映现实和其他心理功能出现的一项基本能力。
机器人操纵的对象意识到的高斯裂片
摘要 - 在3D中了解我们世界的动态对于机器人应用的性能和稳健性至关重要。尽管最近的进度已与视觉模型和体积渲染结合起来提供语义3D表示形式，但大型模型的推理时间既不是实时机器人操作的所需更新速度。在这项工作中，我们建议将“对象”注入基于3D高斯人的语义表示[1]。具有相同语义标签的高斯人可以一起初始化和更新，从而导致快速更新，以响应机器人和对象运动。所有必要的语义信息都是从验证的基础模型的第一步中提取的，从而规避了大型模型的推理瓶颈，但仍获取语义信息。只有三个相机视图，我们提出的表示形式可以实时捕获30 Hz的动态场景，这对于大多数操纵任务就足够了。通过基于我们的对象感知的高斯分裂来利用表示形式，我们能够求解语言条件的动态握把，为此，机器人抓取了开放词汇查询指定的动态移动对象。我们还使用该表示形式通过行为克隆来训练视觉运动策略，并表明该策略通过预审计的编码者获得了基于图像的策略的可比结果。视频https://object-aware-gaussian.github.io