XiaoMi-AI文件搜索系统
World File Search Systemmanoid
三维光子中的拓扑Chern载体...
摘要本文提出了一个旨在实现基于微控制器的人形机器人（例如Inmoov机器人）的系统[1]。该系统由视觉传感器，中央控制器和操纵器组成。我们修改了开源异议检测软件Yolo（您只看一次）V2 [2]，并将其与视觉传感器相关联，以使传感器不仅能够检测目标对象的类别，还可以借助深度摄像头来检测位置。我们还根据边界框技术估计目标的尺寸（即，目标的高度和宽度）（图1）。之后，我们将信息发送到中央控制器（人形机器人），该机器人控制着操纵器（定制的机器人手），以借助反运动学理论抓住对象。我们进行实验以使用Inmoov机器人测试我们的方法。实验表明，我们的方法是检测物体并驱动机器人手抓住目标对象的方法。
利用可变自然环境脑机接口刺激实现人形机器人实时导航
摘要 — 本文通过脑机接口 (BCI) 解决了在室内自然环境中人形机器人远程操作的挑战。我们利用基于深度卷积神经网络 (CNN) 的图像和信号理解来促进实时物体检测和基于干脑电图 (EEG) 的人类皮层大脑生物信号解码。我们利用干脑电图技术的最新进展来传输和收集受试者的皮层波形，同时他们注视机器人正在导航的环境直接产生的可变稳态视觉诱发电位 (SSVEP) 刺激。为此，我们建议使用新的可变 BCI 刺激，利用通过机载机器人摄像头传输的实时视频作为 SSVEP 的视觉输入，其中 CNN 检测到的自然场景物体会以不同的频率 (10Hz、12Hz 和 15Hz) 发生改变和闪烁。这些刺激与传统刺激不同，因为闪烁区域的尺寸及其在屏幕上的位置都会根据检测到的场景物体而变化。通过这种基于干脑电图的 SSVEP 方法进行屏幕上的物体选择，有助于通过专门的二级 CNN 将人类皮层大脑信号直接在线解码为遥控机器人命令（接近物体，朝特定方向移动：向右、向左或向后）。该 SSVEP 解码模型是通过先验离线实验数据进行训练的，其中所有受试者的视觉输入都非常相似。在跨多个测试对象的实时机器人导航实验中，最终的分类表现出高性能，平均准确率为 85%。
识别人类和人类物理参数Jovana Jovic，Eiichi Yoshida（日本AIST），Gentiane Venture（日本TUAT）
对类人动作和人类运动的动力学和运动学分析需要对段质量参数（质量，质量中心和惯性基质）进行准确估算，并且它们的误解可能会导致估计的关节运动学的显着差异。在机器人技术领域中，已经开发了几种方法，用于基于双足体系统动态方程的线性特性，以相对于一组质量参数。本演讲将重点介绍有关该主题最新研究的方法。将给出人类和类人形机器人质量参数估计的示例。确定的质量参数改善了人类动态分析的输出和人形模拟和基于模型的控制。
认知发展机器人技术作为人形机器人设计的新范式
研究 CDR 进一步了解人类和机器的潜力。我们希望这能激发许多研究人员——不仅仅是机器人领域的研究人员，还有其他学科的研究人员——来讨论和解决这个有争议的新范式。CDR 的关键方面是它的设计原理。现有的方法通常明确地在机器人的“大脑”中实现一个控制结构，该结构源自设计师对机器人物理的理解。根据 CDR，该结构应该反映机器人通过与环境交互而进行的自我理解过程。由于 CDR 和传统方法都可能导致类似的结果，如果我们仅从任务性能的角度来评估 CDR，CDR 似乎是不必要的。然而，我们相信 CDR 在长期内是有希望的，因为它既能产生类似人类的行为，又能作为认知理论的试验台。此外，人工智能和工程学中更传统的方法往往会在自然环境中失效，因为在自然环境中，机器人的身体
人类机器人的人类智能的前景
直接和发展的基于行为的移动机器人方法都产生了许多有趣的机器人演示，这些机器人在现实世界中导航，映射，计划和操作。这项工作最好被描述为模仿昆虫水平的运动和导航的尝试，而基于行为的非平凡操纵世界的工作很少。已经有一些基于行为的尝试来探索社交互动，但是这些尝试也以我们在昆虫中看到的各种社交互动为基础。但是，考虑如何从所有这些昆虫水平扩展到全人类水平的智力和社会互动会导致一种综合，这与传统人工智能和认知科学中所想象的大不相同。我们向目标报告。