XiaoMi-AI文件搜索系统
World File Search System人手
开放人手合作系统（OHRCS）
摘要人类机器人合作（HRC）是人类和机器人的范式，在共同的工作空间中协同工作。先前的研究模型，例如由固定数量的代理组成的多构想系统。这样的模型在整个过程中的数量和类型保持恒定，称为封闭系统。conconly是一种人类机器人协作，在任务过程中，团队大小在任务中动态变化称为开放性HRC系统（OHRCS）。OHRC可以通过允许代理商加入或根据需要离开任务来实现人类机器人协作的现实表示。在本文中，我们认为许多真实世界的HRC场景更好地建模为OHRC。我们介绍了OHRC的愿景，目前的潜在应用，检查HRC中开放性的好处，并为将来的研究提供了一些途径。
低成本软机器人手的设计
印度[3] GSSSIETW，Mysuru/Electronics＆Enerical-Tosennics和传播工程部Mysuru，印度摘要 - 该论文旨在机械地设计低成本的“软机器人手”以获得更好的有效性。软机器人手显着吸引了作为机器人技术的最终效果的焦点。与其他刚性的软机器人手相比，与人类机器人和环境机器人相互作用更安全。除此之外，以最低的成本控制非常容易控制。由于机器人的手是用柔软的材料制成的，因此它的加权也很轻，并且更合规性。本文的目的是设计低成本的软机器人手，以机械的方式获得更好的有效性，了解设计软机器人手所需的各种材料，并理解软机器人手的有效性。设计软机器人手的理由可以解释为获得更大的优势，以实现额外的“自由度”来执行各种事情，而这些事情无法通过人类手索引术语（低成本，软机器人的手，自由度，
带有触觉传感的机器人手的通用滑动检测
滑动检测是要识别抓握过程中对象是否保持稳定，这可以显着增强操纵灵量。在这项研究中，我们探索了能够执行各种掌握类型的五指机器人手的滑移检测，并在整个五个手指上检测到滑移，而不是专注于单个指尖。首先，我们构建了一个在六种抓地力类型的日常生活中收集的数据集，其中包括200 k个数据点。第二，根据深重下降的原理，我们为不同的抓握类型（USDConvnet-dg）设计了一个轻巧的通用滑动检测网络，以对掌握状态进行分类（无触摸，打滑和稳定的抓紧）。通过将频率与时域特征相结合，该网络的计算时间仅为1.26 ms，平均精度在验证和测试数据集上的平均精度超过97％，表明了强大的概括功能。此外，我们在现实世界中的实时掌握力调整中验证了提出的USDConvnet-DG，表明它可以有效地提高机器人操作的稳定性和可靠性。
利用神经接口和深度学习感知人手的全部动态
摘要 — 神经控制运动的理论主要基于运动传感设备，这些设备可以捕捉预先定义的解剖标志的动态。神经肌肉接口，例如表面肌电图 (sEMG)，理论上可以通过感知由运动的最终路径（运动单元）传输的运动命令来超越基于运动的技术所施加的限制。运动单元活动的记录可以连续地预测时间和空间中的动力学和运动学，而不受数码相机或惯性传感器所遭受的几个生物和物理限制。然而，目前的 sEMG 解码算法只能预测几个自由度（<3）。通过结合无标记机器视觉和高密度 sEMG 电极，我们旨在检验以下假设：受生理启发的深度神经网络可以像数码相机一样精确地重建人手的运动，并且还具有预测潜在力量（例如，抓住一杯咖啡）的额外好处。我们证明，我们的深度学习模型可以在自然运动任务中，通过仅放置在外部手部肌肉上的 320 个 sEMG 传感器，以可忽略不计的误差持续预测手部的所有自由度。我们的深度学习模型能够显示 3D 手部运动学和等长收缩期间手指的全部力量范围。目前的结果表明，将深度学习应用于 EMG 信号可以前所未有地表示最终的运动神经代码。
rp1m：用于钢琴的大型运动数据集，与双人灵巧的机器人手
摘要：将机器人手赋予人类水平的灵活性是一个长期的研究目标。bimanual机器人钢琴演奏构成了一项任务，该任务构成了动态任务所挑战的任务，例如快速产生同时精确的动作，并且较慢但触及率丰富的操纵问题。尽管基于强化的学习方法在单个任务中表现出了令人鼓舞的结果，但这些方法在多首歌的环境中挣扎。我们的作品旨在缩小这一差距，从而为机器人钢琴演奏而启用模仿学习方法。为此，我们介绍了100万（RP1M）数据集的机器人钢琴，其中包含比起一百万个轨迹的双人机器人钢琴弹奏运动数据。我们将手指放置作为最佳运输问题，因此可以自动注释大量未标记的歌曲。基准测试现有的模仿学习方法表明，这种方法通过利用Rp1m⋄来达到有希望的机器人钢琴弹奏性能。
gestllm：通过大型语言模型进行人手互动的高级手势解释
摘要 - 本文介绍了Gestllm，这是人类机器人相互作用的高级系统，可以通过手势来实现直观的机器人控制。与常规系统不同，该系统依赖于有限的预定义手势，Gestllm利用大型语言模型并通过MediaPipe [1]提取功能来解释各种各样的手势。该集成解决了现有系统中的关键局限性，例如受限的手势灵活性以及无法识别人类交流中常用的复杂或非常规的手势。通过结合最先进的功能提取和语言模型功能，Gestllm实现了与领先的视觉模型相当的性能，同时支持传统数据集中没有代表的手势。例如，这包括来自流行文化的手势，例如《星际迷航》的“瓦肯敬礼”，没有任何其他预处理，及时的工程等。这种灵活性增强了机器人控制的自然性和包容性，使互动更加直观和用户友好。gestllm在基于手势的相互作用方面提供了重要的一步，使机器人能够有效地理解和响应各种手势。本文概述了其设计，实施和评估，证明了其在高级人机协作，辅助机器人技术和互动娱乐中的潜在应用。索引条款 - llm;手势识别；机器人控制
在开源灵巧的机器人手中向人类学习
摘要 - 用机器人手发出类似人类的灵活性一直是机器人技术的长期挑战。近年来，机器学习要求机器人手要可靠，便宜且易于制作。在过去的几年中，我们一直在研究如何满足这些要求。[1，2，2，3，4，5，6]我们将演示我们的三只机器人手来解决此问题，从易于仿真的手到柔软但坚固的灵巧的机器人手，执行三个不同的机器学习任务。我们的第一个机器学习任务将是远程运行，我们将开发一个新的移动手臂和手动捕获系统，我们将带给RSS 2024。第二，我们将演示如何使用人类视频和人类运动来教机器人手。最后，我们将展示如何在模拟和现实世界中使用强化学习不断改进这些政策。该演示将参与其中，将使灵巧的操纵脱颖而出，并激发研究人员将机器人手带入自己的项目。请访问我们的网站https://leaphand.com/rss2024demo，以获取更多交互式信息。
索引页对...提出的补充问题的答复
(a) 行政长官在2023年《施政报告》中宣布，政府将把现有的政府资讯科技总监办公室及效率促进办公室合并，成立数码政策办公室。为调配合适人手推展工作，我们建议重组政府资讯科技总监办公室及效率促进办公室的现有人手架构，并将人手转拨至数码政策办公室，并适度增设一个首长级职位，负责加强推动促进跨境数据流通、发展「数码大湾区」、推行「跨境公共服务」，以及与内地联络等工作。重组建议已于2024年4月8日获立法会资讯科技及广播事务委员会支持。稍后，我们会将人手建议提交人事编制小组委员会审议，并将相关财务建议提交财务委员会审批。由于
根据性别的韩国成年人手束强度与入射糖尿病之间的关系：基于人群的前瞻性队列研究
摘要：（1）背景：糖尿病（DM）是一种众所周知的疾病，会引起合并症，例如慢性肾脏疾病（CKD）和心血管疾病。因此，有必要开发诊断工具以防止DM。手夹强度是一种已知的肌肉减少诊断工具，是几种疾病的预测指标。然而，手工束强度作为亚洲人群中DM的指标的价值仍然未知。这项研究旨在确定韩国成年人在性别中的手束强度与DM发病率之间的关系。（2）方法：在本研究中包括在全国人群中注册的173,195名参与者。应用了排除标准后，仍有33,326名参与者。dm发生在随访期间的1473个人（平均随访期为4。1年）。为了减少体型的影响，将研究人群细分为相对手剪接强度的四分位数，定义为绝对手工束强度除以体重指数。多元COX回归分析表明，相对手工束强度与新发型DM成反比。（3）结果：与最低的四分位数（HRS）[95％的置信区间（CIS）相比，最高四分位数（Q4）的新功能DM（Q4）为0.60（0.43-0.84），男性为0.72（0.52-0.99）（0.52-0.99）（0.52-0.99）。DM的发生率随着相对手夹强度的增加而降低。这些反比在统计上，男性比女性更重要。（4）结论：这项新型研究表明，相对的手夹强度与男性和女性的事件DM有关。相对手工束强度可用作防止DM的实用工具。定期测量手剪接强度可用于检测DM。
在大脑的沟和白质区域解码神经活动，以准确预测人手的单个手指运动和触觉刺激
全世界数百万人因中风，脊髓损伤，多发性硬化症，脑损伤，糖尿病和运动神经元疾病（如ALS）（肌萎缩性横向硬化症）而遭受运动或感觉障碍。将大脑直接连接到计算机的脑部计算机界面（BCI）提供了一种研究大脑并可能恢复患有这些衰弱状况的患者的障碍的新方法。然而，当前面临的BCI技术面临的挑战之一是在维持效率的同时最大程度地降低手术风险。微创技术，例如立体电脑摄影（SEEG），在癫痫患者的临床应用中已更广泛地使用，因为它们会导致并发症较少。SEEG深度电极还可以进入大脑的沟和白质区域，但尚未在脑部计算机界面中进行广泛研究。在这里，我们展示了与人手中的运动和触觉相关的沟和皮质下活性的第一个演示。此外，我们已经将基于SEEG的深度记录中的解码性能与用电视造影电极（ECOG）获得的分解性能进行了比较。最初的解码性能和观察到大多数神经调节模式在振幅试验到审判中的变化而变化，并且是短暂的（比研究的持续纤维运动的持续性纤维运动的差异明显短），导致基于使用时间相关的可重复性指标的特征选择方法的开发。开发了一种基于时间相关的算法，以隔离始终重复的特征（准确解码所需）并具有与运动或触摸相关刺激有关的信息内容。随后，我们使用这些功能以及深度学习方法来自动对具有高精度的单个纤维的各种电动机和感官事件进行分类。