XiaoMi-AI文件搜索系统
World File Search SystemLocomotion
社论：用于运动的神经假体
在过去十年中，我们见证了神经假体的快速发展，神经假体是一种将大脑与外部辅助和康复设备连接起来的系统。虽然这项工作主要研究的是能够实现手臂和手部感觉运动功能的神经假体，但人们对恢复运动能力（即在空间中移动的能力）的神经假体的兴趣也日益浓厚。大脑控制的轮椅和外骨骼就是这种神经假体的例子。本研究主题中的文章集合介绍并讨论了现有证据、概念框架、神经假体设计和有关将神经假体应用于步态辅助和康复的实际问题。研究主题涵盖了一系列问题，例如控制方案、机器人方面、有效性、运动性能特征、神经基础、伦理、对神经系统疾病的重要性、运动学习和运动功能恢复。这些贡献总结如下，分为 7 个主题类别：（i）评论和观点，（ii）动物研究，（iii）平衡控制，（iv）运动假肢，（v）肌电控制，（vi）基于脑电图 (EEG) 的下肢假肢控制系统，以及（vii）脊髓神经调节和外骨骼步态训练对瘫痪患者的综合影响。
运动期间的增强学习
抽象学习新的运动技能时，人们通常必须使用反复试验才能发现哪种运动是最好的。在增强学习框架中，该概念被称为探索，并且与运动任务的运动变异性增加有关。但是，对于运动任务，增加的变异性会降低直立的稳定性。因此，步态期间的探索可能会危害平衡和安全性，从而使强化学习的有效性降低。因此，我们着手确定人类仅使用增强学习才能获得并保留新型的运动模式。年轻的健康男性和女性参与者在跑步机上行走，并获得了与固定的货币奖金相关的二元奖励反馈（由屏幕上的绿色检查标记表示），以学习一种新颖的步进模式。我们还招募了一个比较组，该组以相同的新型步进模式行走，但通过纠正目标误差而做到了这一点，这是通过提供实时的步骤和目标的实时垂直视觉反馈而引起的。在两个实验中，我们比较了两组之间的学习，运动变异性和两种形式的运动记忆。我们发现，二进制奖励组中的个人实际上确实通过探索（增加运动变异性）来获取新的步行模式。此外，尽管增强学习并没有增加隐式运动记忆，但与目标误差组相比，它导致更准确的显式电机记忆。总体而言，这些结果表明，人类可以通过强化学习获得新的步行模式，并在24小时内保留许多学习。
轮式人形机器人的动态运动遥控操作...
摘要 — 双边遥控操作为人形机器人提供了人类的规划智能，同时使人类能够感受到机器人的感受。它有可能将具有物理能力的人形机器人转变为动态智能的机器人。然而，由于涉及复杂的动力学，动态双边运动遥控操作仍然是一个挑战。这项工作介绍了我们通过身体倾斜的轮式人形机器人运动遥控概念应对这一挑战的初步步骤。具体来说，我们开发了一种具有力反馈能力的全身人机界面 (HMI)，并设计了一个力反馈映射和两个遥控映射，将人体倾斜映射到机器人的速度或加速度。我们比较了这两种映射，并通过实验研究了力反馈的效果，其中七个人类受试者用 HMI 遥控一个模拟机器人执行动态目标跟踪任务。实验结果表明，所有受试者在练习后都完成了两种映射的任务，力反馈提高了他们的表现。然而，受试者表现出两种不同的远程操作风格，它们从力反馈中获益的方式也不同。此外，力反馈影响了受试者对远程操作映射的偏好，尽管大多数受试者在速度映射方面表现更好。
学习无碰撞的高速腿部运动
图1。我们提出的框架ABS展示了敏捷和无碰撞的运动能力，其中具有全部计算和感应的机器人可以安全地浏览混乱的环境，并迅速对室内和室外的多样化和动态障碍做出迅速反应。ABS涉及双政策设置：底部的绿线表示敏捷政策的控制，红线表示运行中的恢复策略。敏捷政策使机器人能够在障碍物中快速运行，而恢复政策可以使机器人摆脱敏捷政策可能失败的风险案例。子图：（a）机器人躲避了摇摆的人腿。（b）敏捷政策使机器人能够以3的峰值运行。1 m/s。（c）在高速运动期间，机器人躲避了移动的婴儿车。（d）机器人在白雪皑皑的地形中躲过一个动人的人。（e）机器人安全地在大厅内坐着静态和动态障碍物，平均速度为2。1 m/s，峰速度为2。9 m/s。（f）机器人避免在昏暗的走廊中的障碍和移动人类，平均速度为1。5 m/s，峰值速度为2。5 m/s。 （g）机器人，平均速度为2。 3 m/s，峰值速度为3。 0 m/s，避免移动和静态垃圾箱，并爬上草坡。 视频：请参阅网站。5 m/s。（g）机器人，平均速度为2。3 m/s，峰值速度为3。0 m/s，避免移动和静态垃圾箱，并爬上草坡。视频：请参阅网站。
现实世界中的人形运动，并进行增强学习
可以在各种环境中自主操作的人形机器人有可能帮助解决工厂中的劳动力短缺，协助老年人在家中并殖民新星球。尽管针对人形机器人的经典控制器在许多设置中都表现出了令人印象深刻的结果，但它们在概括和适应新环境方面具有挑战性。在这里，我们提出了一种完全基于学习的方法，用于实现世界人类人体机构。我们的控制器是一种因果变压器，它将本体感受观察和动作的历史记录为输入，并预测下一个动作。我们假设观察历史记录包含有关世界的有用信息，即强大的变压器模型可以在不更新权重的情况下使用其行为来调整其行为。我们在模拟中的随机环境集合上使用大型模型的大型模型学习训练了我们的模型，并将其部署到了Real-World零拍摄中。我们的控制器可以在各种室外地形上行走，对外部干扰稳健，并且可以在上下文中适应。
在风险地形上学习敏捷运动
摘要 - 四倍的机器人通过强化学习在各种地形上表现出了显着的能力。然而，在存在稀疏的立足点和危险的地形（例如步进石材和平衡梁）的情况下，需要精确的脚部放置以避免跌倒，经常使用基于模型的方法。在本文中，我们表明端到端的强化学习还可以使机器人能够通过动态动作遍历风险的地形。为此，我们的方法涉及培训一项通才政策，以实现无序和稀疏的垫脚石的敏捷运动，然后通过将其可重复使用的知识从中转移到更具挑战性的地形上。鉴于机器人需要在这些地形上快速调整其速度，我们将任务作为导航任务而不是常用的速度跟踪，从而限制了机器人的行为并提出探索策略来克服稀疏的奖励并实现较高的健壮性。我们通过在Anymal-D机器人上进行模拟和现实实验来验证我们提出的方法，从而达到峰值前进速度≥2。5 m/s在稀疏的垫脚石和狭窄的平衡梁上。视频：youtu.be/z5x0j8oh6z4
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。