XiaoMi-AI文件搜索系统
World File Search Systemnematic
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。
布氏鲸的提示速率和运动学 - navfac exwc
该团队将把他们的 PAM 工具应用于跨越十年的 PMRF 数据集，以研究布氏鲸的发声和提示率，并比较随时间和运动行为状态的提示率。工作将包括手动验证先前在数据集中识别的布氏鲸叫声。分析结果还将与已发布的提示率进行比较，以评估随时间、位置或种群的稳定性。将根据环境变量（例如一年中的时间、季节、风和波浪数据）以及其他情境数据（例如与最近的呼叫布氏鲸的距离）检查轨迹运动学。
通过运动学分析
对避免进近倾向的调查传统上依赖于基于计算机的技术，这些技术主要是通过改编时间来表征人类行为的。但是，这些技术无法准确量化其他动力变量，例如手动速度和运动方向。为了解决这些限制，已经开发了新的机器人设备，从而为人类行为提供了更多样化和准确的定量评估。本技术报告介绍了Kinarm上的避免接近任务的适应性，这是一个机器人平台，旨在跟踪参与者与虚拟环境互动的上肢运动。这种避免进近任务的这种变体评估了两个臂在十二个方向上的运动。此外，可以应用电阻载荷来研究物理效果在避免进近倾向或支持康复方案中的作用。数据和来自试验样本（n = 5）的数据突出了Kinarm进近避免接近任务的功能（KAAT）。
![运动学：描述航天器的动作[1]](/simg/d/d8cebefeddb0c20967f1027ea728bbc6868f5a37.webp)
运动学：描述航天器的动作[1]
必须先精确地预测和控制空间中的物体（例如航天器，卫星和太空站），以确保安全性和有效性。运动学是一个在3D空间中对这些身体运动的描述和预测的领域。运动学课程涵盖了四个主要主题领域：粒子运动学介绍，深入研究了两个部分的刚性身体运动学（从使用定向余弦矩阵和欧拉角的经典动作描述开始，并以现代描述仪的综述，例如Quaternions和quaternions and Classical and Classical and Modified Rodrigues参数）。课程以查看静态态度的确定结束，使用现代算法来预测和执行太空中身体的相对取向。
数据驱动的早期预测脑瘫，使用汽车和可解释的运动学特征
由于依赖时间密集型且不可扩展的专家评估，脑瘫（CP）的早期鉴定仍然是一个重大挑战。因此，一系列研究旨在通过机器学习来预测基于运动跟踪的CP分数，例如从视频数据中。这些研究通常可以预测临床评分，这是CP风险的替代。但是，临床医生并不想估计分数，他们想估计患者患临床症状的风险。在这里，我们提出了一个数据驱动的机器学习（ML）管道，该管道从基于婴儿视频的运动跟踪中提取运动功能，并估算使用自动符号的CP风险。使用AutoSklearn，我们的框架通过抽象研究人员 - 驱动器超参数优化来最大程度地拟合过度适应的风险。接受了从3至4个月大的婴儿进行运动数据的培训，我们的分类器预测在持有的测试集中，ROC-AUC的高度指示性临床评分（General运动评估[GMA]），表明运动学运动特征临床相关的可变性。没有再培训，相同的模型可以预测在后来的临床随访中，ROC-AUC为0.74，脑瘫结局的风险，表明早期运动表现形式概括为长期神经发育风险。我们采用预注册的锁定箱验证来确保索具性能评估。本研究强调了自动驱动运动分析对神经发育筛查的潜力，这表明数据驱动的运动轨迹提取的特征可以为早期风险评估提供可解释且可扩展的方法。通过整合预先训练的视频变压器，自动驱动的模型选择和严格的验证协议，这项工作可以推进使用视频衍生的运动功能来用于可扩展的，数据驱动的临床评估，从而证明基于可用的数据（如婴儿）（如婴儿）的计算方法如何增强神经发育障碍的早期风险检测。
运动学 SAMI：一种用于非线性模态识别的新型实时多传感器数据同化策略
摘要。在许多工程应用中，结构的振动分析需要设置大量传感器。这些研究大多在后处理中进行，并基于线性模态分析。然而，许多研究的设备强调模态参数取决于振动水平非线性，并使用加速度计等传感器来修改设备的动态特性。这项工作提出了一种基于实时识别非线性参数（固有频率和阻尼）的模态测试的重大发展，这些参数以线性模态为基础进行跟踪。这种方法称为运动学-SAMI（用于多传感器同化模态识别），首先在已知非线性的数值情况下进行评估，其次在具有非接触式测量技术（高速高分辨率摄像机）的经典悬臂梁框架中进行评估。最后，讨论了该方法的效率和局限性。
在存在运动和动态干扰的情况下，自适应双环轨迹跟踪船舶表面车辆的控制
本文介绍了针对海洋表面车辆（MSV）的双环自适应轨迹跟踪控制系统，该系统既解决运动学和动态干扰。该方法始于外环的后台控制策略，该策略在运动级别生成速度命令，以确保对MSV的位置和标题进行准确跟踪。一个自适应估计器已整合以评估未知的海洋电流速度，从而有效地补偿了其影响。内环控件采用线性参数化来在动态级别产生扭矩命令，从而确保实际速度和指挥速度状态之间的对齐。提出了两种自适应调整定律：一个用于估算具有挑战性的水动力参数，另一个用于补偿外部海洋干扰。双环控制可显着减轻运动学和动态干扰的影响，从而提高了MSV跟踪的精度和整体性能。稳定性，并得出了系统未知参数的适应定律。数值模拟证明了拟议的控制策略的功效。
在帕金森氏病患者中使用人姿势估计的暂时空间和运动学步态参数的评估：近额外和侧视图之间的比较
步态障碍是帕金森氏病（PD）患者最常见的症状之一，与临床不良结局密切相关。最近，基于视频的人类姿势估计（HPE）技术吸引了与基于标记基于标记的3D运动捕获系统更便宜，更简单的方法进行步态分析的方法。然而，尚不清楚基于视频的HPE是否是测量PD患者的临时和运动步态参数的可行方法，以及该功能如何随相机位置而变化。在这项研究中，使用运动捕获系统和两个智能手机摄像机测量了24例早期PD患者的跑步机和地面步行，并放置在受试者的近额和外侧侧面。我们比较了从3D运动捕获系统和无标记的HPE获得的关节位置数据之间的暂时步态参数和运动学特征的差异。我们的结果证实了使用HPE的PD患者的Ana-lyzing步态的可行性。尽管脚后跟和脚趾清晰可见的近额外视图对于估计时间步态参数有效，但横向视图特别适合评估空间步态参数和关节角度。，在侧面记录不可行的临床环境中，近额外的视图记录仍然可以作为运动捕获系统的实际替代方法。
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
卡戈美金属中电荷驱动向列性的理论
从 kagome 金属 AV 3 Sb 5 ( A = K, Rb, Cs) 的 2 × 2 电荷有序相的带色散低能连续模型出发，我们表明向列性可以在这种状态下发展，其驱动力要么是三个不等价的 1 × 4 电荷涨落，先于 1 × 4 电荷有序 (CO)，要么是实际的零动量 d 波电荷 Pomeranchuk 不稳定性 (PI)。我们从粒子空穴领域的 Kohn-Luttinger 理论出发进行分析，这使我们能够分别在 1 × 4 CO 开始附近和 d 波电荷 PI 附近建立吸引向列通道的发展标准。我们推导出 d 波 PI 的有效电荷费米子模型，其向列磁化率通过随机相位近似 (RPA) 总和给出。相比之下，对于有限动量 CO，RPA 方案就失效了，需要通过将 Aslamazov-Larkin 贡献纳入向列配对顶点来进行改进。然后，我们推导 1 × 4 CO 和 d 波 PI 的 Ginzburg-Landau 势，并在两种情况下获得向列转变温度 T ∼ T nem 时向列磁化的相应解析表达式。从两个电荷费米子模型开始解释以此方式获得的向列响应函数，并强调在哪些假设下可以恢复 Ginzburg-Landau 结果。最后，我们展示了向列特性的增强，其根源在于序参数与弹性变形的耦合。我们的工作建立了在某些铁基超导体中观察到的向列性与钒基 kagome 金属（其中向列相可能由自旋涨落驱动）之间的联系，在这些超导体中，电荷涨落可能导致向列性。我们提出的两种用于稳定 AV 3 Sb 5 中向列态的微观机制，即零动量 d 波 PI 和有限动量 CO 的涨落，可以通过扩散散射实验来区分，这意味着可以判断这两种理论中的哪一种（如果有的话）最有可能描述该相。这两种机制也可能与最近发现的钛基家族 A Ti 3 Sb 5 有关，在该家族中也观察到了向列性。