XiaoMi-AI文件搜索系统
World File Search System人形
多阶段推理：解锁认知自主权...
如前所述，依靠静态预训练数据完成任务的体系结构缺乏集成跨模式数据的能力（Ye等，2023）。当人形机器人处理听力，触摸或反应不一致时，这直接引起语义歧义（Pramanick＆Rossi，2024）。尽管某些研究尝试了多模式融合技术，但进展仍然有限，不足以为人形机器人提供与人类相同的适应能力（Yuan等，2024）。为了解决这一差距，这项研究提出了一个多幕科推理体系结构作为创新解决方案。它旨在利用多幕科推理来优化类人类机器人在当前技术缺点基于视觉，听觉和触觉数据的跨模式中认知自主权的关键挑战。
与AI相互作用：令人不安的山谷和... div>的问题
带机器”（Wagner，2017年）然而，人形机器人的劣势是：它们越多地像人类，他们往往会令人不安，有时是令人反感的，这种现象被称为“令人不安的山谷”。 div>Masahiro Mori是东京学院的机器人教授，他写了一篇文章（Mori，1970），讲述了他如何想象人们对机器人的反应，这些机器人看起来像是人类的反应。 div>特别是，他提出了一个假设，即一个人对人源化机器人的反应将在接近但没有实现的情况下从同理心变成反击，再到更现实的外观（图1）。 div>有几个因素导致这些不适感，包括人形机器人中低质量特征的异常，例如抗自然的肤色和异常的眼睛，与死者的相似之处，以及对应对面部特征的期望。 div>
多接触运动规划与控制 - Loria
摘要 人形机器人的本质是它们能够复制人类的运动和操纵技能。人形机器人研究的早期工作致力于双足行走，首先是在平坦的地形上，最近是在不平坦的地形上，而操纵能力则继承自双手和灵巧手操纵的文献。在实践中，这两个问题相互作用很大。在杂乱空间中的运动受益于机器人任何部分与环境之间的额外接触，例如当抓手在爬楼梯时抓住扶手时，而腿可以相反地增强操纵能力，例如当拱起整个身体以增加末端执行器的接触压力时。这两个问题具有相同的背景：它们由非平滑动力学（接触处的摩擦和冲击）在可行性约束（包括动态稳定性）下控制。因此，它们现在是联合解决的。本章重点介绍用于多接触规划和控制的最新技术。
通过两相训练使类人动力运动超过具有挑战性的地形
摘要：人形机器人是机器人技术的关键重点，其导航艰难地形对于许多用途至关重要。虽然取得了进步，但为复杂环境创建适应性的运动仍然很困难。基于学习的系统的进展为强大的腿部运动提供了希望，但挑战持续存在，例如在高速和不平衡的地面跟踪准确性，以及实际机器人的关节振荡。本文提出了一个新颖的培训框架，以通过强化学习采用两阶段的训练范式来应对这些挑战。通过整合命令课程学习，完善我们方法的预知和适应性，进一步构成了所提出的框架。此外，我们将Dreamwaq适应了我们的人形运动系统，并将其改进以减轻关节振荡。，我们实现了我们方法的SIM到真实传输。一系列经验结果表明，与最先进的方法相比，我们提出的方法的出色表现。
您故意这样做！人类机器人相互作用中旋钮效应的研究
摘要随着机器人的越来越聪明和自主的态度，机器人做出导致副作用的决策的情况将会增加。为了调查人类在这些情况下的故意判断，本研究检查了人类机器人相互作用中的旋钮效应。旋钮效应描述了这样一种现象，即行动的副作用不对称地影响人们的意图归因。检查了三种不同的药物（即人类，人形机器人，Android机器人），我们发现了人类药物和Android机器人的旋钮效应，但没有针对人形机器人。结果表明，随着机器人变得更加人性化，旋钮效应变得更加相关。此外，调解分析表明，旋钮效应的现有解释方法不能介导副作用对Android机器人中意图判断的影响。这项工作为有关机器人作为故意代理的辩论提供了重要的见解。
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。
Advancements in Humanoid Robots: A Compre
摘要 - 本文对人形机器人机器人的当前状况，进步和未来前景进行了全面审查，强调了它们在推动下一代行业发展的意义。通过分析各种研究贡献和关键技术，涵盖本体结构，控制和决策，以及感知和互动，介绍了人类机器人研究的当前状态的整体概述。此外，确定了现场的新挑战，强调了对生物运动机制，改进的结构设计，增强的材料应用，高级驱动和控制方法以及有效的能量利用的必要性。bion-iC，脑启发的智力，力学和控制的整合被评分为开发晚期类人体机器人系统的有前途的方向。本文是一种宝贵的资源，为该领域的研究人员提供了有见地的指导，同时为跨不同领域的人形机器人的持续发展和潜力做出了贡献。
“人工智能与脑科学的对比与融合”
A01：感知与预测 深度学习如今在模式识别中已经取得了很高的性能。我们将利用信息论来阐明它为什么以及在什么条件下起作用，并且利用深度学习得到的各层中的信息表示来理解大脑各个区域神经元的信息表示。 我们将通过与各种分层贝叶斯推理算法的比较，验证大脑感觉皮层神经回路实现分层贝叶斯推理的假设。 A02：运动与行为 虽然机器人技术已经进步，但如今的人形机器人的运动能力仍然不如三岁儿童。我们将通过与大脑的运动学习机制进行比较来明确其中的不足。具体来说，我们的目标是阐明大脑从多自由度系统中的有限数据中学习充分的内部模型的机制，并在此基础上实现人形机器人的学习控制。 大脑感觉皮层的学习可以理解为依赖外界信息的无监督学习，而运动皮层的学习则需要创建自发运动所必需的信息表征，其背后的原理仍不清楚。此外，基底神经节有直接通路和间接通路两大回路，且有多种控制学习的多巴胺，但这其中的计算意义尚不清楚。我们将寻求通过将学习理论与大脑数据相结合来对这些问题获得新的认识。 A03：认知与社会性 人类的认知功能被认为是通过对模拟感觉运动信息进行分类和分割来实现的。我们着眼于实现这一目标的理论模型——双分割分析，并探索其在大脑中实现的可能性，以及将其应用于人形机器人的模仿学习和意图估计。 “心理模拟”和“心智理论”在人类智力行为，尤其是社会行为中发挥着重要作用，其在脑中的位置正通过fMRI实验等方法阐明。通过阐明神经回路层面的表达和学习原理，我们希望能够理解精神分裂症和自闭症等疾病，并以此设计出更自然的人形机器人和智能代理。 3）研究区域设置期结束后的预期成果。
提示，计划，执行：通过量化模仿学习
摘要 - 近年来，强化学习和进化学习表现出了控制人形机器人运动的巨大潜力。但是，这些方法通常会为特定任务创建模拟环境和奖励，从而产生了多种策略和限制功能的要求，以解决复杂和未知任务。为了克服这些问题，我们提出了一种新颖的方法，将对抗性模仿学习与大语言模型（LLMS）相结合。这种创新方法使代理商可以通过单个政策学习可重复使用的技能，并在LLMS的指导下解决零拍摄任务。特别是，我们利用LLM作为战略规划师，通过理解特定于任务的提示，将先前学到的技能应用于新颖的任务。这使机器人能够以序列执行指定的动作。为了改善我们的模型，我们合并了基于代码的向量量化，使代理可以生成合适的操作，以响应LLM的看不见的文本命令。此外，我们设计了一般的奖励功能，考虑了人形机器人的独特运动特征，确保代理模仿运动数据，同时保持目标取向，而无需其他指导方向方法或策略。据我们所知，这是第一个使用单个学习策略网络和LLM作为计划者来控制人形机器人的框架。广泛的实验表明，我们的方法在复杂的运动任务中表现出有效和适应性的能力。