XiaoMi-AI文件搜索系统
World File Search SystemRob
欧洲机器人的统一愿景
该策略阐明了欧洲机器人界的集体愿景。它借鉴了来自欧洲境内的多种信息来源，来自欧洲主题小组，研讨会和市场研究，从跟踪全球机器人技术的进步以及与其他协会和组织的合作。它提出了一系列建议，内容涉及公共和私人组织应如何努力确保欧洲的机器人技术在中长期内具有经济和社会影响。这些关于使欧洲产品和服务能够创造附加值的中心，同时维持欧洲强大的机器人研究和创新基础。它列出了支持吸收的案例，长期关注研究并满足从机器人的角度来支持欧洲强大的创新基础设施的基本需求。它探讨了机器人创新的途径和创新增长的方向。
在挑战性的天气条件下可靠的对象检测
对象检测在各种自主系统中至关重要，例如监视，自动驾驶和驾驶员的稳定性，通过识别行人，车辆，交通信号灯和标志来确保安全。然而，诸如雪，雾和雨等不利天气条件构成了挑战，具有检测准确性，冒险发生事故和大坝。这清楚地表明了在所有天气条件下都起作用的强大观察检测解决方案的必要性。我们采用了三种策略来增强不利天气中的基于深度学习的对象检测：对全球全天候图像进行培训，对图像进行培训，并具有合成的增强天气噪声，并将对象的变形与不利天气图像denosistighting进行整合。使用分析方法，GAN网络和样式转移网络产生合成天气噪声。我们使用BDD100K数据集中的真实世界全天候图像和用于评估未见现实世界的不利天气图像的评估，通过训练对象进行分割模型比较了这些策略的性能。通过降级现实世界的不利天气图像以及对物体检测的结果和原始嘈杂图像的结果进行了评估，从而评估了不利天气。我们发现，使用全天候现实世界图像训练的模型表现最佳，而对对象检测进行对象检测的策略则表现最差。
用于估计 iCub 机器人头部姿势的片上脉冲神经网络
在这项工作中，我们提出了一种用于人形 iCub 机器人头部姿势估计和场景表示的神经形态架构。脉冲神经网络在英特尔的神经形态研究芯片 Loihi 中完全实现，并精确整合发出的运动命令，以在神经路径整合过程中估计 iCub 的头部姿势。iCub 的神经形态视觉系统用于校正姿势估计中的漂移。机器人前方物体的位置使用片上突触可塑性来记忆。我们使用机器人头部的 2 个自由度 (DoF) 进行实时机器人实验，并展示精确的路径整合、视觉重置和片上物体位置学习。我们讨论了将机器人系统和神经形态硬件与当前技术集成的要求。
RAS-SES 598- 空间机器人和人工智能
本课程全面介绍机器人探索和人工智能驱动的测绘和采样技术，专为太空探索和地球观测而设计。学生将获得计算机视觉、同步定位和测绘 (SLAM)、多机器人协调以及使用先进人工智能工具在极端环境中操作等关键领域的专业知识。课程强调现实世界的实施，将讲座与使用移动自主系统的动手项目相结合，包括可作为数字孪生和物理存在于 DREAMS 实验室中的自主地面、空中和水上机器人。课程以小组为基础的期末项目结束，学生将设计和演示用于未来太空探索、行星科学和地球观测的端到端机器人系统。
机器人次要要求
●学生对机器人技术的基本技术，系统级别和社会/经济挑战表示感谢。●学生通过探索尖锐的学术研究和现场剥夺系统，在不同的次级区域（例如，感知，计划，控制，受生物启发的设计和多代理互动）中对当前的艺术状态（例如，感知，计划，控制，受到生物启发的设计和多代理互动）进行了了解。●学生通过将该领域的问题，挑战和解决方案与工程，自然科学，社会科学，人文和艺术的其他学科联系起来，探索机器人技术的多学科和跨学科性质。●学生考虑具有社会意义的问题（例如隐私，公平，经济挑战，对环境的挑战和政策），并在这些问题上进行集中课程工作的机会。●学生通过在包括设计和机器人硬件的动手体验以及高级独立工作项目或论文的课程中，通过基于项目的作业将这些课程付诸实践。
医疗保健4.0
手稿收到2019年10月26日；修订了2020年3月9日和2020年3月30日； 2020年4月14日接受。出版日期，2020年4月27日；当前版本的日期2020年9月3日。这项工作得到了中国国家自然科学基金会的部分支持，该基金会根据授予5189084，赠款51975513和赠款51821093，部分由宗教省的自然科学基金会根据Grant LRRR20E050003的授予，部分是由Zhejiang University Special Sci-University Inti-Intientififififififififififififfiffiffiffic Findif Findifif Fiffinfiffiffiffiffiffiffiffiffiffiffienfif Fund。 2020xGZX017，部分是由国家在Grant Sklofp_zz_2002下的国家关键实验室主任基金会主任，部分由008-5116-008-03的Grant K18-508116-008-03的机器人机器人研究所在Grant K18-508116-008-03中的一部分，部分由中国的年轻人计划，部分由MIRA计划，一定程度地由MIRA计划，一定程度地依据由JSPS KAKENHI的一部分，部分由KDDI基金会，部分由KDDI基金会，部分由芬兰学院根据Grant 313448，Grant 313449（预防项目），Grant 316810和Grant 316811（Slim Project）（Slim Project）。（通讯作者：Zhibo Pang。）
机器人上肢矫形器的意图检测策略：考虑可用性、日常生活应用和用户评价的范围审查
可穿戴机器人上肢矫形器 (ULO) 是辅助或增强用户上肢功能的有前途的工具。虽然这些设备的功能不断增加，但对用户控制可用自由度的意图的稳健和可靠检测仍然是一项重大挑战，也是接受的障碍。作为设备和用户之间的信息接口，意图检测策略 (IDS) 对整个设备的可用性具有至关重要的影响。然而，这方面及其对设备可用性的影响很少根据 ULO 的使用环境进行评估。进行了范围界定文献综述，以确定已通过人类参与者评估的应用于 ULO 的非侵入式 IDS，特别关注与功能和可用性相关的评估方法和发现及其在日常生活中特定使用环境的适用性。共确定了 93 项研究，描述了 29 种不同的 IDS，并根据四级分类方案进行了总结和分类。与所述 IDS 相关的主要用户输入信号是肌电图 (35.6%)，其次是手动触发器，例如按钮、触摸屏或操纵杆 (16.7%)，以及上肢节段的残余运动产生的等长力 (15.1%)。我们确定并讨论了 IDS 在特定使用环境中的优缺点，并强调了在选择最佳 IDS 时性能和复杂性之间的权衡。通过调查评估实践来研究 IDS 的可用性，纳入的研究表明，主要评估了与有效性或效率相关的客观和定量的可用性属性。此外，它强调了缺乏系统的方法来确定 IDS 的可用性是否足够高以适合用于日常生活应用。这项工作强调了针对用户和应用程序选择和评估用于 ULO 的非侵入式 IDS 的重要性。对于该领域的技术开发人员，它进一步提供了有关IDS的选择过程以及相应评估协议的设计的建议。
一种用于稳健拟合的混合量子-经典算法
将几何模型拟合到离群污染数据上是可证明的难点。许多计算机视觉系统依靠随机抽样启发式方法来解决稳健拟合问题，但这种方法不提供最优性保证和误差界限。因此，开发新方法来弥合成本高昂的精确解决方案与无法提供质量保证的快速启发式方法之间的差距至关重要。在本文中，我们提出了一种用于稳健拟合的混合量子经典算法。我们的核心贡献是一种新颖的稳健拟合公式，它可以解决一系列整数程序并以全局解或误差界限终止。组合子问题适合量子退火器，这有助于有效地收紧界限。虽然我们对量子计算的使用并没有克服稳健拟合的根本难点，但通过提供误差界限，我们的算法是对随机启发式算法的实际改进。此外，我们的工作代表了量子计算在计算机视觉中的具体应用。我们展示了使用实际量子计算机（D-Wave Advantage）和通过模拟 1 获得的结果。
从EEG脑记录中学习强大的深视觉表示
解码人脑一直是神经科学家和人工智能研究人员的标志。重新构建来自脑电脑脑电图（EEG）信号的视觉图像，由于其在脑部计算机接口中的应用，引起了人们的极大兴趣。本研究提出了一种两阶段的方法，其中第一步是获得脑电图衍生的特征，以稳健地学习深度代表，然后将学习的表示形式用于图像产生和分类。我们使用具有监督和对比度学习方法的深度学习体系结构在三个不同的数据集中进行了特征提取管道的普遍性。我们已经执行了零摄影的脑电图分类任务，以进一步支持概括性索赔。我们观察到，与脑电图和图像之间的联合代表学习相比，在单峰设置中仅使用脑电图数据来学习一个单独使用脑电图数据的近距离线性分离的视觉表示。最后，我们提出了一个新颖的框架，将看不见的图像转换为脑电图空间，并以近似值重建它们，从而展示了来自EEG信号的图像重建潜力。我们提出的来自EEG的图像合成方法显示了62。9％和36。EEGCVPR40和ThoughtViz数据集的成立得分提高了13％，这比GAN 1中的最先进的表现效果。EEGCVPR40和ThoughtViz数据集的成立得分提高了13％，这比GAN 1中的最先进的表现效果。
教师的TPACK-R与机器人的教学信念之间的关系
摘要：这项研究开发了两份问卷，称为技术教学知识知识 - 机器人（TPACK-R）和关于机器人教育（RTBS）的教学信念，以调查94位教师的TPACK-R，并评估他们对机器人教育的态度，信念和动机。这项研究的目的是探索TPACK-R与RTB之间的关系。通过探索性因素分析确定了TPACK-R量表和RTBS量表的因子。 TPACK-R的所有因素与RTB的所有因素之间存在一些正相关。 此外，这项研究还发现，教师的态度是预测其技术教学内容知识知识的关键因素。但是，教师的RPK只能预测RPCK。因子。TPACK-R的所有因素与RTB的所有因素之间存在一些正相关。此外，这项研究还发现，教师的态度是预测其技术教学内容知识知识的关键因素。但是，教师的RPK只能预测RPCK。