XiaoMi-AI文件搜索系统
World File Search SystemManip
用于可扩展量子器件的锗原子级精度操控
量子计算将彻底改变技术，改变从密码学到制药等各个行业。然而，要发挥量子计算的潜力，需要在物理量子比特实现方面取得突破。在众多有前途的系统中，包括超导电路、分子和光阱，还没有一个系统能够展示大规模量子计算所需的可扩展性。半导体中的自旋态是迄今为止发现的最稳定、抗噪声的量子比特之一。此外，半导体中的供体原子基本相同，使其成为可扩展量子设备的有力候选者。这项研究旨在利用锗的原子级精密制造来开发下一代量子设备，锗是一种有望克服当前可扩展性挑战的材料。
2026 IEEE国际操纵会议，...
3M-Nano是纳米级的每年一次的操纵，制造和测量国际会议；它将于2026年8月在中国苏州举行。该会议系列的最终野心是弥合纳米科学和工程科学之间的差距，旨在针对技术机会和新市场。纳米级的操纵，制造和测量的先进技术有望在许多应用领域中采用新颖的革命性产品和方法。与3M-NANO主题有关的研究领域工作的科学家被邀请提交论文。将在IEEE Xplore数据库和EI Compendex中提交所有接受的完整论文（在会议上和IEEE格式之后提交）。建议在IEEE Trans中发布选定的论文。自动化科学与工程，国际。j的纳米制造，IFAC机电货币学，int。j of Optomechatronics，Micro-Bio Robotics的J，仿生工程杂志，光（科学与应用），光学和精密工程，国际极端制造杂志，《今日材料》本文和其他科学/EI期刊。组织者：苏州高级研究所，中国科学技术大学纳米纳米研究中心，中国中国长春科学与制造业，中国组织者：阿尔胡斯大学，丹麦沃里克大学，英国德马克沃里克大学，英国贝德福德郡沃里克大学，英国教育部，ZALE MICRO和NANO Instuction，Chrone and Nano Instuction of Chrence and and Chronemurant of Charno and Nano and Nano and and and and and and Chronemurant of Charno
dexo：用于教机器人灵巧操纵的手部外骨骼系统
摘要 - 我们介绍了Dexo，这是一种新型的手部外骨骼系统，旨在教机器人灵巧的操纵。与传统的远程操作系统不同，由于缺乏触觉反馈和可扩展性的限制，Dexo可以通过运动镜像和力透明性来实现自然和直观的控制。系统的被动外骨骼设计使人类用户可以直接控制机器人的灵巧手，传输精确的运动和强制数据，以在实际环境中学习复杂的任务。配备了集成的触觉传感器，Dexo捕获了高保真互动数据，促进了操纵学习，而无需昂贵的硬件或仔细的工程。我们评估了跨多个灵巧任务的系统，证明了其复制人类水平的操纵的能力及其扩展收集高质量演示数据的潜力，以培训高级机器人学习模型。与现有的远程处理方法相比，我们的实验显示了任务成功率的显着提高，这使得Dexo成为推进机器人敏捷性的强大工具。
TAC-MAN：触觉通知的铰接物体的无效操纵
这项工作得到了国家科学技术重大项目（2022ZD0114900）的部分支持Horizon Europe框架通过可触及的项目（101092518）。（Zihang Zhao和Yuyang li对这项工作也同样贡献。相应的作者：Lecheng Ruan和Yixin Zhu。）Zihang Zhao和Yixin Zhu曾与中国北京大学100871北京大学的人工智能研究所一起（电子邮件：zhaozihang@stu@stu.pku.edu.edu.cn; yixin.zhu@pku.edu.edu.cn）。Yuyang Li和Zhenghao Qi曾在中国北京大学，北京大学，北京大学和北京通用人工智能研究所，中国北京100080，中国以及自动化部，北京大学，北京大学，北京大学，北京大学，北京大学，北京100084，中国（电子邮件）： {liyuyang20，qi-zh21}@mails.tsinghua.edu.cn）。Wanlin Li与中国北京100080的北京通用人工智能研究所合作（电子邮件：liwanlin@bigai.ai）。Lecheng Ruan曾在中国北京100871的北京大学工程学院以及中国武汉430075的PKU-Wuhan人工智能研究所（Ruanlecheng@ucucla.edu）任职。Zihang Zhao和Lecheng Ruan在这项工作中也部分地在北京通用人工智能研究所中。数字对象标识符（DOI）：请参阅此页面的顶部。Kaspar Althoefer曾在英国伦敦皇后大学伦敦皇后大学工程与材料科学学院内的高级机器人中心 @皇后玛丽（Queen Mary），伦敦E1 4NS（电子邮件：k.althoefer@qmul.ac.uk）。
多伦多大学微生物组操作实验室
城市和城郊农业系统微生物管理博士后职位多伦多大学士嘉堡分校微生物组操作实验室 ( https://www.utsc.utoronto.ca/labs/microbiomemanipulationlab/ ) 正在寻找一名博士后研究员，研究多伦多地区农场微生物管理的潜力。选定的候选人将参与由 SSHRC-NSERC 资助的大型多机构项目，包括学术合作伙伴和外部合作伙伴，该项目旨在开发优化城市农业的有效流程，同时最大限度地减少温室气体排放。在这个项目中，选定的候选人将评估土壤性状、微生物来源和整个微生物组选择方法之间的联系，以指导土壤微生物组的功能轨迹。微生物组选择方法将考虑文献中的最佳建议、常见的农场方法（例如堆肥茶开发）以及选定候选人自己的想法。还将有机会研究与微生物管理有关的此合作项目的其他方面，包括微生物流入城市系统和不同植物对微生物组修饰的敏感性。除了项目目标之外，候选人还将有大量机会探索自己的想法并制定独立的研究计划。还将有机会与我们小组的其他成员、UTSC 的其他小组以及我们网络内的其他研究小组合作，并开展各种专业发展活动。我们的实验室致力于公平、多样性和包容性，我鼓励来自各行各业的候选人申请。整体审查用于评估每个申请人的独特优势。最低工资为 55,000 美元 + 福利，如果候选人至少获得一些独立资金，则有可能增加（例如 https://www.utsc.utoronto.ca/grad-edu/utsc-postdoctoral-fellowship-program ）。主要职责
3D-MVP：3D Multiview for Anipulation
摘要：最近的作品表明，使用蒙版自动编码器（MAE）在以自我为中心的数据集上进行视觉预处理可以改善下游机器人技术任务的概括[1，2]。但是，这些方法仅在2D图像上预处理，而许多机器人应用程序需要3D场景的理解。在这项工作中，我们提出了3D-MVP，这是一种使用蒙版自动编码器进行3D多视图预处理的新方法。我们利用机器人视图变压器（RVT），该变压器（RVT）使用多视图变压器来理解3D场景并预测抓地力姿势动作。我们将RVT的多视图变压器拆分为视觉编码器和动作解码器，并在大规模3D数据集（例如Objaverse）上使用蒙版自动编码预处理其视觉编码器。我们在一组虚拟机器人操纵任务上评估了3D-MVP，并证明了基准的性能提高。我们还在真正的机器人平台上显示出令人鼓舞的结果，并具有最小的填充。我们的结果表明，3D感知预处理是提高样品效率和基于视力的机器人操纵策略的有前途的方法。我们将发布代码和验证模型，以促进未来的研究。
通过人机交互实现机器人精确灵巧的操作......
强化学习 (RL) 在实现机器人自主习得复杂操作技能方面前景广阔，但在现实环境中实现这一潜力却充满挑战。我们提出了一个基于视觉的人机协同强化学习系统，该系统在一系列灵巧操作任务中展现出令人印象深刻的性能，包括动态操作、精密装配和双臂协调。我们的方法融合了演示和人工校正、高效的强化学习算法以及其他系统级设计选择，旨在学习在短短 1 到 2.5 小时的训练时间内即可实现近乎完美的成功率和快速循环时间的策略。我们证明，我们的方法显著优于模仿学习基线和先前的强化学习方法，平均成功率提高了 2 倍，执行速度提高了 1.8 倍。通过大量的实验和分析，我们深入了解了该方法的有效性，展示了它如何为反应式和预测式控制策略学习稳健且自适应的策略。我们的结果表明，强化学习确实能够在实际训练时间内直接在现实世界中学习各种基于视觉的复杂操作策略。我们希望这项工作能够激发新一代学习型机器人操作技术，促进工业应用和研究进步。视频和代码可在我们的项目网站 https://hil-serl.github.io/ 获取。
使用软执行器网络对软水下操纵器的基于学习的外观
摘要 - 与环境对象的互动可以引起外部感受和本体感受信号的重大变化。然而，水下软操作器中外部感受传感器的部署遇到了许多挑战和约束，从而对其感知能力施加了限制。在本文中，我们提出了一种基于学习的新型表达方法，该方法利用内部本体感受信号并利用软执行器网络（SAN）的原理。def> div>趋势倾向于通过水下软操作器中的sans传播，并且可以通过本体感受传感器检测到。我们从传感器信号中提取特征，并开发完全连接的神经网（FCNN）基于分类器以确定碰撞位置。我们已经构建了一个培训数据集和一个独立的验证数据集，目的是培训和验证分类器。使用独立的验证数据集以97.11％的精度识别出碰撞位置的实验结果，该碰撞位置在水下软机器人的感知和控制范围内表现出潜在的应用。