XiaoMi-AI文件搜索系统
World File Search SystemRobot
lami：多模式人类机器人互动的大型语言模型
无缝的人类机器人相互作用（HRI）需要机器人对人类的多模式输入的熟练处理，包括语音，凝视和面部表情，以准确评估人类的影响并相应地提供帮助。同时，机器人必须通过多模态输出渠道清楚地将自己的意图清楚地传达给人类，包括语音，手势和凝视。传统上，在机器人系统中实现此功能通常需要复杂的设计。在意图估计的领域中，以前的研究通常合并意图识别模块，以基于多模式输入[3，17]对人类意图进行分类。一些系统还具有用于检测人类情感状态的专用模块，对于建立社会细微差别的互动至关重要[10，16，18]。但是，这些方法的缺点在于它们耗时且昂贵的培训过程。在输出方面，许多先前的系统集成了情绪状态[8，11]模块，以控制人形输出提示，例如音调，凝视或面部表情，增强了向人类反馈的透明度和生动性。关于运动产生，提出了多种方法，包括预先建立的运动集的混合和图表[19，25]，以及使用运动捕获数据[5，9，15]。值得注意的是，这涉及与特定状态相关的每种输出模式的动作手动设计。通过利用文本理解，推理和计划的能力，在短时间内提出了许多机器人应用[7，12，14，20，21，28]。例如，Zhang等人。大型语言模型（LLM）的最新进展，诸如聊天机器人，数据过程和代码生成之类的域中的表现令人印象深刻的功能正在揭示其在机器人技术领域的潜在应用。其中一个通常的例子是“ Saycan”机器人[1]，它能够解释人的自然语言命令，分析环境并生成具体的可执行操作序列，以通过使用LLMS来满足人类的要求。但是，机器人和人之间的互动提示仅限于语音命令，即使没有语音输出。最近，一些研究人员还试图将这种技术应用于HRI领域。利用LLM来估计人类有多少信任机器人[30]； Yoshida等人，使用LLMS生成低级控制命令来推动人形机器人运动以进行社会表达[29]，而不是用于实践援助。Baermann等人，部署了LLM不仅遵循人类的言语命令，而且还通过人类的自然语言反馈来纠正其错误[2]。然而，通信主要依赖语音相互作用，而较少关注多模式感应和表达能力。ye等。[27]驱动了一个LLM驱动的机器人系统，该系统能够与人类在VR环境中的组装任务中合作。，但是该系统仅限于处理人类语言输入并控制虚拟空间中的单臂。通常，与快速
SCARA 机器人的电影设计和力分析...
摘要——气动技术在工业中的应用受到广泛青睐，因为它具有广泛的可用性和无污染的流体，因此有可能取代工业中的其他系统。在工业机器人领域，很少设计带有气动伺服电机的机械臂，因为对此的研究很少。该技术是一种带反馈的闭环重复控制系统，使其在工业过程中的实施成为可能。由于气动工业机器人很少，本研究旨在设计一个原型，通过运动学的解析对位置进行精确控制并降低气动系统的非线性随机性，这将为所需应用的气动伺服电机的机械调整提供必要的信息以及对传输模拟的解释。本研究提供了一个完全气动和功能齐全的机器人原型的制造模型，为未来应用于工业机器人的气动控制研究开辟了领域。
自主机器人技术中的探索性实验
摘要关于实验方法的辩论，其作用，限制以及其可能的应用程序最近在自主机器人技术中引起了人们的关注。，如果从一方面，诸如可重复性和重复性的经典实验原理，它是发展该研究领域良好实验实践的灵感，另一方面，一些最新的分析证明了严格的实验方法尚未完全是该社区研究习惯的全部。在本文中，为了给出一部分自主机器人技术中当前的体验实践的理由，这些实践在传统的受控实验概念下无法令人满意地容纳，我们将不再进行探索实验。在这种情况下进行的探索性实验应作为在没有适当理论或理论背景的情况下进行的一种调查形式，在这种情况下，从一开始就无法完全管理对实验因素的控制。我们表明，这一概念源于（并得到）对大量论文样本中报道的实验活动的分析，这些论文已在两个最大，最重要的机器人研究会议上获得了奖励。
团队90H：机器人真空吸尘器
现在我们决定对机器人真空吸尘器进行逆转，下一个挑战是要获得一个模型。理想情况下，我们希望打开一个室内或类似的真空吸尘器，但我们无法将手放在不起作用的室上。所以，我们必须安顿下一个来自亚马逊的便宜版本。尽管如此，我们还是决定继续前进，因为即使该真空吸尘器没有Roomba的所有强大功能，它仍然可以瞥见任何机器人真空吸尘器的基础功能。
10月26日 - nov。 1个定制的移动机器人通讯
Scitech摘要简介整个网络 - 10月26日 - NOV。 1次适用于移动机器人中国专利新闻的四轮独立悬架系统授予的中国专利赠款|星期五，2024年11月1日
在手动和机器人辅助工作中为操作员建模疲劳5.0
职业应用疲劳以及许多其他人类绩效因素，影响工人的健康状况，从而产生了生产质量和效率。采用行业5.0观点，我们建议将人类绩效模型整合到更广泛的工业系统模型中可以提高建模准确性并带来卓越的成果。将我们的工人疲劳模型整合为其工业系统建筑师模型的一部分，使领先的飞机制造商Airbus可以更准确地预测系统的性能，这是劳动力妆容的函数，这可能是人类工人和机器人的组合，或者是经验丰富且经验丰富且经验丰富且经验丰富的工人的组合。我们的方法证明了将人类绩效模型包括在商店地板上引入机器人的重要性和价值，可用于在工业系统模型中包括人类绩效的各个方面，以满足特定的任务要求或不同级别的自动化。
糖：机器人技术的预训练3D视觉表示
从网络数据中学习可概括的视觉表示已为机器人技术带来了令人鼓舞的结果。然而，预循环方法着眼于预训练2D表示，是应对闭塞的优势，并在复杂的3D场景中准确地将对象定位。同时，3D代表学习仅限于单对象。为了解决这些局限性，我们引入了一个名为Sugar的机器人技术的新型3D预训练框架，该框架通过3D点云捕获对象的语义，几何和负担性能。我们强调了3D表示学习中混乱场景的重要性，并自动构建一个受益于模拟中无需成本监督的多对象数据集。Sugar采用一种多功能变压器的模型来共同解决五个预训练任务，即用于语义学习的跨模式知识蒸馏，以掩盖点建模，以取消几何结构，掌握姿势合成以进行对象负担，3D实例分割和引用表达地面以分析杂乱无章的场景。我们对三个与机器人相关的任务进行了学习的代表，即零射击3D对象识别，引用凸起的接地和语言驱动的机器人操作。实验结果表明，糖的3D表示优于最先进的2D和3D表示。
JRDB-Social：一个多方面的机器人数据集，用于理解社会群体内人类互动的上下文和动态
了解人类的社会行为对于综合愿景和机器人技术至关重要。微观的观察（例如，分裂行动）不足，需要采取一种全面的方法来考虑个人行为，组内动态和社会群体层次，以彻底理解。要解决数据集限制，本文引入了JRDB-Social，JRDB的扩展[2]。旨在填补跨室内和室外社会环境的人类理解的空白，JRDB-Social提供了三个层次的注释：个体属性，组内侵入和社会群体环境。该数据集旨在增强我们对机器人应用的人类社会动态的理解。利用最近的尖端多模式大型语言模型，我们评估了我们的基准，以表达其破译社会人类行为的能力。
基于扩散模型的机器人视觉运动策略学习
背景和动机视觉策略学习涉及将视觉观察映射到运动动作上，使机器人能够有效地与环境互动。传统方法通常在多模式作用分布的复杂性以及对高精度和时间一致性的需求中挣扎。最近引入的扩散策略通过采用有条件的降级扩散过程来生成机器人动作，从而提供了有希望的解决方案。这些模型在产生复杂的行为方面表现出了卓越的性能，使其成为机器人操纵和组装任务的理想候选人。此外，整合自然语言处理（NLP）允许多功能任务调理，使机器人能够根据人类指令执行各种任务。
