XiaoMi-AI文件搜索系统
World File Search SystemObjects
用一只手抓住多个对象
摘要 - 人手的错综复杂的运动学能够同时抓握和操纵多个对象，这对于诸如对象传递和手持操作等任务必不可少。尽管具有重要意义，但机器人多对象抓握的领域是相对尚未探索的，并且在运动学，动力学和对象配置方面面临着显着的挑战。本文介绍了Multigrasp，这是一种新型的两阶段方法，用于在桌面上使用灵巧的多指机器人手抓住多物体。该过程包括（i）生成pre-grasp提案，以及（ii）执行掌握和提起对象。我们的实验重点主要是双对象抓地力，达到了44.13％的成功率，突出了对新对象配置的适应性和不精确的掌握能力。此外，该框架证明了以推理速度为代价的两个以上对象的潜力。
评估存储条件以及对从湖水检索的法医证据对象的DNA的影响
摘要：从刀具，智能手机，磁带和垃圾袋等常见物体中与犯罪环境中有关的痕迹的痕迹对法医DNA实验室的挑战。恢复的DNA的量可能会受到水环境，水的时间，恢复方法的影响，物体到达实验室之前的物体的运输和存储程序。本研究评估了四种储存条件对从血迹，触摸DNA，纤维印刷和头发中检索到的DNA的影响，最初沉积在刀具，智能手机，包装胶带，导管磁带和垃圾袋上，并在湖水中浸没了三个时段。检索后，将物体通过室温下的空气干燥，在-30℃，氮气或湖水中冻结。结果表明，浸没时间强烈影响了DNA的数量和降解，尤其是在浸没时间（21天）之后。在成功的成功中观察到了显着的变化，而mtDNA pro填充受到浸没时间间隔和存储条件的影响较小。这项研究表明，在DNA分析之前进行空气干燥或冻结，尽快从水中检索，对犯罪现场调查中DNA Pro填充的结果有益。
自主空间物体和国际空间法
先进新技术的引入正在改变航天工业。人工智能为与太空相关的活动提供了前所未有的可能性，因为它使空间物体能够获得自主性。空间物体自主水平的提高并非没有法律影响。缺乏人为控制对现有的责任框架提出了挑战。本文回顾了《外层空间条约》和《责任公约》的规定，作为介绍在自主空间物体造成损害的情况下归责的法律依据的主要法律文件。本文研究了这些法律框架在责任归责方面的局限性，并确定了可能导致责任缺口的条件。本文分析了《责任公约》的修订、《外层空间条约》第六条引入的“国际责任”概念和若干国际法原则，作为防止责任缺口和减轻自主空间物体带来的风险的潜在解决方案。
使用实例和实体中心分割损失函数
在本文中，我们提出了一种新型的两组分损失，用于生物医学图像分割任务，称为实例和实例中心（ICI）损失，这是一种损失函数，在使用像素损失功能（例如骰子损失）时，通常会遇到实例不平衡问题。实例组件改善了具有大型和小实例的图像数据集中的小实例或“斑点”的检测。实体中心组件提高了整体检测准确性。我们使用ATLAS R2.0挑战数据集的Miccai 2022。与其他损失相比，ICI损失提供了更好的平衡分段，并以改进1的改善而显着超过了骰子损失。7-3。7％，斑点损失为0。6-5。0％的骰子相似性系数在验证和测试集中，这表明ICI损失是实例不平衡问题的潜在解决方案。关键字：实例和实体中心细分损失，细分损失。
地月物体的被动射频观测
Thomas Joyce 亚利桑那大学天文系、物理系月球与行星实验室 Ryland Phipps 亚利桑那大学航空航天与机械工程系 Craig Jacobson 亚利桑那大学月球与行星实验室 Tanner Campbell 亚利桑那大学航空航天与机械工程系 / 月球与行星实验室 Adam Battle 亚利桑那大学月球与行星实验室 Daniel Estévez 博士 独立研究员，西班牙 Roberto Furfaro 教授 亚利桑那大学系统与工业工程系、航空航天与机械工程系 Vishnu Reddy 教授 亚利桑那大学月球与行星实验室
使用模拟模型了解未解析的驻留空间物体的光谱-时间特征变化
地面高光谱成像仪能够在观察期内测量未解析驻留空间物体 (URSO) 的光谱特征随时间的变化（或光谱时间特征）。了解特征对 URSO 属性的依赖性可用于开发用于识别物体的信息提取算法，并推断、分类、预测和诊断其状况和健康状况。鉴于 URSO 光谱时间数据的可用性有限，地面遥感观测可以通过基于物理的模拟模型和实验室数据进行补充，以支持特征利用算法的设计、开发、实施和验证。这在训练需要大量数据的机器学习模型时尤为重要。
预测Cislunar空间中物体的监护权
在地面域中同样重要，因此从业者继续尝试延长可以将特定轨道编号保留到特定目标的时间长度。在地面域中发现有用的一种方法称为特征辅助跟踪（FAT）（有时在文献中也称为签名辅助跟踪（SAT）或分类辅助跟踪（CAT））。脂肪是一种在雷达系统中最常见的技术，尽管它也在光学跟踪系统中使用了。在脂肪中，正常的监视模式通过雷达模式大小中断，该模式仅产生仅取决于目标相对于雷达传感器的姿势和速度的测量值。模式，例如合成孔径雷达（SAR）和高范围分辨率雷达（HRR），因为一旦考虑到姿势和LOS速度，它们就会产生一些不变的签名。可以在[1]中找到有关这种方法的一种实现的详细讨论。一种简单的方法来了解问题以及如何使用脂肪来帮助解决该问题，如图1。两个目标接近交叉点，并结束一段时间。也许其中一个或多个停在十字路口，让另一个人不受阻碍。对于接地移动目标指示器（GMTI）雷达模式，这是用于接地监视雷达的典型度量观察模式，这意味着一个或两个目标在停止时消失在混乱中。即使它们足够放慢，它们也会消失在混乱中。某个时候，目标到达另一个十字路口并通过不同的路径退出。由于两个目标都可能已经停止或至少足够缓慢地移动，并且由于它们暂时靠近一段时间，并且雷达仅在定期进行定期对目标进行采样，而不是仅根据度量观测值来确定沿哪个路径沿着哪个目标撤离。如果使用脂肪，则目标离开交叉点并进行了足够分离（取决于传感器的分辨率）后，将采用HRR模式并用于与为每个目标维护的签名库匹配。假设两个目标的匹配性能足够不同，则可以解决歧义，并且如果需要，可以将适当的轨道编号重新分配到这些目标时。
通过绕邻近检测的空间对象绕质量生成等离子体波的建模
通过卫星激发的电磁波和通过轨道驱动的波（Soimow）的测量值（SOIMOW）的测量来检测到一种称为空间对象识别的技术。具有等离子波的空间对象的接近度测量可能允许在传统上通过光学望远镜和雷达范围传感器实现的正常检测阈值以下的空间碎片。soimow使用原位等离子体接收器来识别轨道结合过程中的空间对象。卫星和其他空间对象穿过200到1000公里的高度之间的近地层，由电子收集和阳光下的照片发射引起电荷。这些超音速，带电的物体激发了各种血浆波。SOIMOW技术表明，可以观察到来自已知物体的电磁等离子体波到数十公里的范围，从而提供有关存在空间对象的信息。Soimow概念已用蜂群卫星上的无线电接收器仪器（RRI）证明。RRI数据的幅度，光谱和极化变化与电磁，压缩alfvén波的一致，这些电磁波是由跨磁场线传播的带电空间对象发射的。此外，可以通过较低的杂化漂移或离子声波不稳定性产生空间对象处的静电波。正在研究原位电场探头和对散射卫星波的远程检测，以确定轨道物体的位置。
超越属性的原始概念 - 对象组成学习
从所见的属性 - 对象对学习以概括为未看到的组合物，已在组合零拍学习（CZSL）中进行了广泛的研究。但是，CZSL设置仍然仅限于看到的属性和对象，并且不能概括地看不见的概念及其组成。为了克服这一局限性，我们提出了一项新任务，开放的词汇 - 组成零 - 折射学习（OV-CZSL），其中评估了未看到的属性，对象和看不见的组成。表明OV-CZSL是一个具有挑战性但可解决的问题，我们提出了基于存在的数据集MIT态的三个新基准（Isela，Lim和Adelson 2015），C-GQA（Mancini等人（Mancini等）（Mancini等人）2022）和vaw-czsl（Saini，Pham和Shrivastava 2022; Pham等人2021），以及新的基准和评估设置。我们将语言嵌入和外部词汇与我们新颖的邻里扩展损失一起使用，以允许任何方法学习观察和看不见的原始物之间的语义相关性。
基于学习的实时扭矩预测用多指手抓住未知对象
摘要 - 用多指手抓住对象时，对于掌握稳定性至关重要，在每个关节上施加正确的扭矩以应对外力。大多数当前系统都使用简单的启发式方法，而不是正确对所需的扭矩进行建模。相反，我们提出了一种基于学习的方法，能够实时预测对未知对象的抓扭矩。使用监督学习的端到端训练的神经网络被证明可以预测更有效的扭矩，并且与所有经过测试过的启发式基准相比，对象的非自愿运动较少。具体来说，对于90％的掌握，对象的翻译偏差低于2。9毫米，旋转下方3。1◦。为了生成训练数据，我们使用弹性模型来制定扭矩的分析计算作为优化问题，并处理多接触的不确定性。我们进一步表明，网络概括以预测具有1个推理时间1的真实机器人系统上未知对象的扭矩。5 ms。网站：dlr-alr.github.io/grasping/