XiaoMi-AI文件搜索系统
World File Search Systemkinematics
...
1 CSD101计算和编程简介3：0：1 4 2 EED101电气工程概论3：1：1 5总数9主要核心总数学分：68个学分S. No. No.Course Code Course L:T:P Credits 1 MED101 Manufacturing Processes 1:0:1 2 2 MED104 Descriptive Engineering Drawing 2:0:1 3 3 MED105 Engineering Mechanics: Statics and Dynamics 3:1:0 4 4 MED201 Materials Science and Engineering 3:0:1 4 5 MED203 Mechanics of Solids 3:0:1 4 6 MED204 Kinematics and Dynamics of Machines 3:0:1 4 7 MED205 Engineering Thermodynamics 2:1:0 3 8 MED208 Manufacturing Sciences 3:0:1 4 9 MED209 Mechanical Engineering Design & Graphics 2:0:1 3 10 MED210 Principles of Industrial Engineering 3:0:0 3 11 MED211 Mechanics of Fluids 3:0:1 4 12 MED301 Applied Thermodynamics 2:1:0 3 13 MED303 Heat and Mass Transfer 3:0:1 4 14 MED305 Refrigeration & Air Conditioning 2:0:1 3 15 MED306 Fluid Machinery 2:0:1 3 16 MED309 Operations Research 2:1:0 3 17 MED314 Computer Aided Design & Manufacturing 2:0:1 3 18 MED315 I. C. Engines & Automobiles 3:0:1 4 19 MED320 Machine Design 3:0:0 3 20 MED412 Mechatronics & Control System 3:0:1 4 Total Credits 68
Simcenter 3D 用于运动仿真 - Siemens PLM
Simcenter™ 3D 软件提供建模和仿真，可帮助工程师理解和预测机构的功能行为。它提供了一套完整而强大的功能来支持高级动态、静态和运动学运动模拟的所有方面。尽早使用运动模拟是评估机构性能以提高设计信心和降低风险的关键。
instructrobot：一个无模型的框架，用于将自然语言说明映射到机器人运动
摘要 - 使用自然语言与机器人沟通的能力是人类机器人互动的重要一步。但是，将口头命令准确地转化为身体动作是有希望的，但仍然带来挑战。当前的方法需要大型数据集来训练模型，并且最大自由度的机器人仅限于机器人。为了解决这些问题，我们提出了一个称为instructrobot的框架，该框架将自然语言指令映射到机器人运动中，而无需构建大型数据集或机器人的运动学模型的先验知识。Instructrobot采用了一种强化学习算法，该算法可以联合学习语言表示和逆运动学模型，从而简化了整个学习过程。使用复杂的机器人在对象操纵任务中具有26个Revolute关节的复杂机器人进行验证，以证明其在现实环境中的鲁棒性和适应性。该框架可以应用于数据集稀缺且难以创建的任何任务或域，使其成为使用语言通信训练机器人挑战的直观且易于访问的解决方案。可以从https://github.com/icleveston/instructrobot访问instructrobot框架和实验的开源代码。
机电一体化工程 - 入学先决条件
颗粒和刚体的物理学运动学（位置，线性和旋转运动中的速度和加速度）；颗粒和刚体的动力学（力和力矩，牛顿运动定律）；刚体的平衡；拉格朗日方程；节能原则（工作，能源和权力）；热力学；热运输（传导，对流，辐射）；电磁学（Coloumb的法律，生物 - 萨瓦特法律，高斯法律，麦克斯韦法律）。
解码上肢辅助技术的脑机相互作用：进步和挑战
了解大脑编码上肢运动如何对于辅助技术中的控制机制至关重要。辅助技术，尤其是脑机界面（BMI）的进步突出了解码运动意图和运动学对有效控制的重要性。基于EEG的BMI系统由于其非侵入性和诱导神经可塑性的潜力而增强运动康复结果的潜力而显示出希望。基于EEG的BMI显示了解码运动意图和运动学的潜力，但研究表明与实际或计划的运动的相关性不一致，对实现精确和可靠的假体控制提出了挑战。此外，个体的预测性脑电图模式的变异性需要个性化调整以提高BMI效率。整合多个生理信号可以提高BMI的精度和可靠性，为更有效的运动康复策略铺平道路。研究表明，大脑活动在运动过程中适应引力和惯性约束，突出了神经适应生物力学变化在创建辅助设备控制系统中的关键作用。本综述旨在全面概述与生理和辅助上肢运动相关的解密神经活动模式的最新进展，从而强调了在神经疗程和脑镜界面发展中未来探索的途径。
运动意图和反应时间的深度学习用于康复机器人的脑电信息自适应
摘要 — 越来越多的证据表明，适应性是康复机器人促进运动学习的关键机制。然而，它通常基于机器人衍生的运动运动学，这是一种相当主观的性能测量，尤其是在存在感觉运动障碍的情况下。在这里，我们提出了一个深度卷积神经网络 (CNN)，它使用脑电图 (EEG) 作为两个运动学成分的客观测量，这两个成分通常用于评估运动学习并从而评估适应性：i) 发起目标导向运动的意图，以及 ii) 该运动的反应时间 (RT)。我们根据从内部实验中获得的数据评估了我们的 CNN，在该实验中，13 名受试者在平面上向四个方向移动康复机械臂，以响应视觉刺激。我们的 CNN 在意图（意图与无意图）和 RT（慢速与快速）的二元分类中分别实现了 80.08% 和 79.82% 的平均测试准确率。我们的结果表明，从运动开始前获取的同步 EEG 数据可以预测不同类型的运动学习所涉及的单个运动成分。因此，我们的方法可以实时为机器人适应提供信息，并有可能进一步提高人们执行康复任务的能力。