XiaoMi-AI文件搜索系统
World File Search SystemLoco
vmts：双皮德机器人中多刺运动的视觉辅助教师增强学习
摘要 - 双方机器人由于其拟人化设计，在各种应用中提供了巨大的潜力，但其结构的复杂性阻碍了它们的控制。当前，大多数研究都集中在基于本体感受的方法上，这些方法缺乏克服复杂地形的能力。虽然视觉感知对于在以人为中心的环境中运作至关重要，但其整合使控制进一步复杂化。最近的强化学习（RL）方法已经显示出在增强腿部机器人运动方面的希望，特别是基于本体感受的方法。然而，地形适应性，尤其是对于两足机器人，仍然是一个重大挑战，大多数研究都集中在平坦的情况下。在本文中，我们介绍了专家教师网络RL策略的新型混合物，该策略通过一种简单而有效的方法来增强基于视觉投入的教师策略的绩效。我们的方法将地形选择策略与教师政策结合在一起，与传统模型相比，表现出色。此外，我们还引入了教师和学生网络之间的一致性损失，而不是强制实施相似之处，以提高学生驾驶各种地形的能力。我们在Limx Dynamic P1 Bipedal机器人上实验验证了我们的方法，证明了其跨毛线地形类型的可行性和鲁棒性。索引术语 - Bipedal机器人，增强学习，视觉感知的控制
斑点纹状体神经元对环境价调节运动活力
Sarah Hawes 1，Bo Liang，3，Braden Oldham 1，Braden Oldam 1，Lupeng Wang 1，Bin Song 1，
塑料太阳能电池技术的调查文件
电子和电信工程部Vishwakarma理工学院，浦那，印度4111037，印度4111037摘要：这项研究介绍了一种新型的自主on公路机器人的新型自动驾驶算法，该算法旨在实现Dustbins的实时垃圾收集。所提出的系统结合了一个名为Yolo的尖端对象识别框架（您只看一次），以识别道路，障碍物和垃圾箱。配备有强大的硬件平台和相机的自主机器人有效地导航城市环境，以确保无缝避免障碍物和精确的Dustbin定位。我们的方法利用实时处理来促进自适应决策和动态路径计划，从而提高了机器人的操作效率。实验发现说明了算法在各种环境中的功效，强调了其在智能城市努力中可扩展实施的潜力。自主城市清洁系统的最新进展构成了这项研究的基础，该研究的重点是实时处理能力，以实现自适应决策和平稳的导航。实验验证说明了建议的运动算法在各种城市环境中的性能，从而强调了其在自主垃圾管理系统中的实际应用。本研究旨在解决废物管理困难，并为自动城市清洁技术的发展做出贡献，从而支持更智能和清洁城市的实现。通过为与城市废物管理相关的问题提供长期解决方案，该研究可以提高自主城市清洁系统。关键字：自主机器人，实时响应，运动算法，YOLO，对象检测，城市导航，避免障碍物，垃圾箱定位，智能城市，废物管理。
多巴胺能表型的可塑性和幼虫斑马鱼的运动在胚胎时期引起的脑兴奋性变化
在胚胎时期，神经元通信在建立具有神经元兴奋性的突触之前就开始了，此处称为胚胎神经兴奋性（ENE）。ene已被证明可以调节发展转录程序的展开，但是并非全部了解开发生物的全球后果。在这里，我们监测了Ze-Brafish胚胎端脑中的钙（Ca 2 1），作为ENE评估瞬时药理处理疗效增加或减少ENE的疗效的代理。在胚胎周期结束时增加或减少ENE分别促进了多巴胺（DA）神经元的数量减少或减少。这种多巴胺能规范的可塑性发生在斑马鱼幼虫的下降（sp）中，后6 d后（DPF）在相对稳定的VMAT2阳性细胞中。非巴氨基能VMAT2阳性细胞构成了可以由ENE募集的DA神经元的储备库的无静止的生物标记。调节ENE在处理结束后几天还影响了幼虫运动。尤其是，ENE从2 DPF的增加增加了幼虫在6 dpf时的超塑，让人联想到斑马鱼内跨表型报道了注意力不足多动障碍（ADHD）。这些结果为识别可能干扰ENE的环境因素以及研究将ENE与神经递质规范联系起来的分子机制提供了方便的框架。
人形运动的运动计划：对家乡环境的应用
摘要 - “您的人形机器人可以做什么？”我们作为机器人主义者在与公众互动时必须回答的最常见问题可能是最常见的问题。通常，这个问题是在熟悉的家庭或办公室环境中构成的，暗示着对不平坦和混乱的地形的强大运动的期望，以及与人，物体和环境的合规互动。的问题暗示了人类机器人在运动计划者实施的一组体现的机车操作技巧的存在，这些技能是在给定相应命令时可检索的。在本文中，我们以有效，模块化和可扩展的运动计划者的形式为该问题提出答案。我们在三种具有挑战性的情况下演示了它的用途，旨在突出机器人的安全操作及其在非结构化环境中的精确运动。此外，我们讨论了从我们在扭矩控制的人形机器人实际实施方面的经验中得出的关键技术。
CARB 的在用机车监管规则将损害美国经济
铁路部门与加州空气资源委员会 (CARB) 合作减少排放。多年来，铁路部门和加州空气资源委员会 (CARB) 一直合作减少全州干线运输和调车场运营的排放。零排放起重机、调车场服务车辆和其他技术等举措正在加州和全国各地的调车场发挥作用，因为防空转系统、燃料管理系统和可再生燃料的使用正在同时减少机车排放。目前还没有明确的技术路径来实现零排放的未来。该行业正在采取果断行动应对气候变化，包括测试新兴技术，如电池电力和燃料电池机车，这些技术可能会减少温室气体排放和标准污染物。然而，尽管投入了大量资金，全行业都在努力寻找零排放解决方案，但明确的技术路径尚未出现，需要进一步的研究和开发。CARB 的新规则对货运铁路来说完全不可行。尽管有着共同的目标，但 CARB 最终确定了《在用机车法规》，这违背了其与铁路行业的历史合作。该规则是 CARB 成立半个世纪以来第一项针对铁路行业的法规，其制定基于不合理的假设。行业成员强调在整个规则制定过程中不断努力开发零排放技术，并强调此类机车尚未实现商业可行性。尽管存在这些担忧，CARB 仍继续制定规则，这将给加州和全国的铁路带来巨大的财务和运营负担。该规则于 2024 年 1 月 1 日生效，但 CARB 必须获得 EPA 的批准才能开始执行该规则的两项关键规定。EPA 目前正在征求公众意见，以确定是否批准或拒绝 CARB 的请求，意见必须在 4 月 22 日或之前提交给 EPA。以下是该规则的几个问题：
Wildlma：野生中的长范围内部操作
摘要 - “野外”移动操作旨在在不同的现实世界环境中部署机器人，这要求机器人具有（1）具有跨对象配置的技能； （2）能够在各种环境中进行长马任务执行； （3）在接地之外执行复杂的操作。用操纵器的四倍的机器人有望扩展工作空间并实现强大的运动，但是现有的结果并未调查这种能力。本文提出了Wildlma具有三个组成部分来解决以下问题的三个组合：（1）为支持VR的全身远程操作和遍历性，对学识渊博的低级控制器的适应； （2）Wildlma-Skill - 通过模仿学习或启发式方法获得的可推广的视觉运动技能的库以及（3）Wildlma-Planner，这是一种学习技能的界面，允许LLM Planners协调长途任务的技能。，我们通过仅使用数十种示范来实现与现有RL基准相比，实现高质量培训数据的重要性。Wildlma利用剪辑进行语言条件模仿学习，从经验上概括到在培训演示中看不见的对象。除了进行广泛的定量评估外，我们定性地展示了实用的机器人应用，例如清理大学走廊或室外地形的垃圾，操作清晰的物体以及在书架上重新安排物品。
使用可区分的模拟学习四倍的运动
摘要：这项工作探讨了使用可区分的模拟进行四足运动的潜力。可区分的模拟通过使用机器人动力学计算低变化的一阶梯度来承诺快速转化和稳定训练。但是，它对腿部机器人的使用仍然仅限于模拟。主要挑战在于由于不连续动态而引起的机器人任务的复杂优化格局。这项工作提出了一个新的可区分类似框架来克服这些挑战。我们的方法结合了用于正向动力学的高保真度，非差异的模拟器，简化的表面模型用于梯度后传播。这种方法通过将替代模型的机器人状态与精确的，不可差的模拟器对齐来保持模拟精度。我们的框架使学习可以在几分钟内在仿真中学习四倍，而无需并行化。随着GPU并行化的增强，我们的方法允许四倍的机器人在几分钟内在挑战地形上掌握各种运动技能。我们证明，可差异的模拟通过实现明显提高样品效率的同时，在处理大规模环境中的有效性时，可以优于强化学习算法（PPO）。我们的方法代表了可区分模拟到现实世界四倍的机车运动的第一个成功应用之一，它为传统RL方法提供了令人信服的替代方案。视频：https：//youtu.be/wenq_w715xm
层次强化学习和价值优化，用于挑战四倍的运动
摘要 - 我们提出了一个新颖的层次结构增强学习框架，用于在具有挑战性的地形上进行四足运动。我们的方法结合了两层层次结构，高级计划者（HLP）选择低级政策（LLP）的最佳目标。LLP是使用派演员批评的RL算法训练的，并将脚步放置为目标。HLP不需要任何额外的培训或环境样本，因为它是通过在线优化过程对LLP的价值函数进行的。我们通过将其与端到端的强化学习（RL）方法进行比较来证明该框架的好处，从而突出了其在各种不同地形阵列中碰撞较少的碰撞较少的能力的提高。索引术语 - 动物学，强化学习，优化