XiaoMi-AI文件搜索系统
World File Search SystemLearns
SIM到真实的移动机器人导航策略，从虚拟眼睛的视觉中学习
摘要 - 恰好在具有最小碰撞的无构建环境中引导软机器人仍然是软机器人的开放挑战。当环境未知时，可能无法用于模拟和操作的导航的事先运动计划。本文提出了一种新颖的SIM到真实方法，可在模拟开放框架体系结构（SOFA）下的静态环境中指导电缆驱动的软机器人。SCE-NARIO的目的是在简化的横向气管插管过程中类似于其中一个步骤，在该过程中，机器人气管管由灵活的视频辅助内窥镜/stylet引导到上层气管larynx位置。在沙发中，我们采用二次编程逆求器来获得基于机器人模型的内窥镜/Stylet操纵的无碰撞运动策略，并编码与眼睛的视觉。然后，我们使用闭环非线性自动回收前模型（NARX）网络将虚拟视觉和关节空间运动识别的解剖学特征与关节空间相关联。之后，我们将学习的知识转移到机器人原型中，期望它仅根据其眼睛的视觉自动自动地在新的幻影环境中导航到所需的位置。实验结果表明，我们的软机器人可以根据从虚拟环境中学到的知识，在最小的碰撞运动中有效地通过非结构化的幻影训练到所需的位置。结果表明，闭环NARX预测和由SOFA引用的机器人电缆和棱镜关节空间运动之间的平均R平均系数为0.963和0.997。眼神的视线还表现出机器人尖端和震颤之间的良好对齐方式。
可再生能源教育的学习场景
整合学校的建筑环境是开展基于地点的能源教育的一种途径，将抽象概念与物理环境联系起来。本研究考察了配备太阳能电池板的户外教室（学习景观）与为期六周的可再生能源单元如何以及是否能够帮助学生发展能源系统的概念知识。同一学区内两所学校的四年级教室（一所拥有学习景观，一所没有）实施了该单元。在单元之前、期间和之后的四个时间点，通过基于模型的推理来衡量学生的学习成果（n=97）。对学生（n=12）进行了有关他们模型的采访。两所学校的学生都确定了主要的系统组件和序列。然而，学习景观的学生表现出对太阳能系统更细致入微的理解，并明确指出学习景观是能源教育的“教学工具”。研究结果表明，校园内可持续发展特征的存在可以提高学生的学习成果。
变分自动编码器学习更好的特征表示，用于基于脑电图的肥胖分类
摘要 — 肥胖是当今现代社会的一个常见问题，可导致各种疾病并显著降低生活质量。目前，已经开展了研究以调查静息状态脑电图 (EEG) 信号，目的是识别与肥胖相关的可能的神经系统特征。在本研究中，我们提出了一个基于深度学习的框架来提取静息状态脑电图特征，以对肥胖和瘦弱人群进行分类。具体而言，采用一种新颖的变分自动编码器框架从原始脑电图信号中提取受试者不变特征，然后通过一维卷积神经网络对其进行分类。与传统的机器学习和深度学习方法相比，我们证明了使用 VAE 进行特征提取的优势，这反映在特征表示中分类准确率的显著提高、可视化效果的改善和杂质测量的减少。未来的工作方向可以从神经学角度深入了解所提出的模型所学习的空间模式，以及通过允许其发现任何与时间相关的信息来提高所提出的模型的可解释性。索引术语——深度学习、EEG、分类、变分自动编码器
人工智能败血症预测算法学会说话
保留所有权利。未经许可不得重复使用。（未经同行评审认证）是作者/资助者，已授予 medRxiv 永久展示预印本的许可。此预印本的版权持有者此版本于 2021 年 5 月 13 日发布。；https://doi.org/10.1101/2021.05.06.21256764 doi：medRxiv 预印本