XiaoMi-AI文件搜索系统
World File Search System抓握
2025 年 1 月
下午 2:30–3:30 柔术是一种地面武术，教授实用的自卫技巧，让您在身体危险的情况下保持安全。这个持续进行的研讨会由我们烹饪艺术团队的 Erin Muscatelli 教授，介绍巴西柔术，重点介绍一系列真实的攻击和防御——勒颈、抓握、在地面上被攻击等等。虽然欢迎所有年龄段和身体能力的人参加，但所有参与者必须完成身体健康豁免才能参加。请注意：1 月 7 日星期二没有课程。地点：老年中心
简历.pdf
● CNN：谷歌展示远大的 AI 研究项目。2020 年 1 月 ● VentureBeat：谷歌的机械手 AI 可以用最少的训练数据学会旋转保定球。2019 年 9 月 ● 纽约时报：谷歌重启机器人计划内幕。2019 年 3 月 ● 专栏：发明未来：计算机科学和工程的“新里程碑”。2019 年 2 月 ● NeuroHive：像人类一样使用手指的机器人2019 年 10 月 ● 纽约时报：机械手如何进化来做我们手上的事情。2018 年 7 月 ● New Atlas：弥合科学与虚构之间的差距。2016 年 12 月 ● ACM 通讯：Hand Jive：机械手学会旋转。2016 年 8 月 ● 路透社：机械手获得人类的触感。2016 年 5 月 ● Wired：这个灵巧的机器人可以自学旋转一管咖啡豆。 2016 年 5 月 ● Business Insider：研究人员创造了一种与人类极为相似且能自主学习的机械手。2016 年 5 月 ● MIT Tech Review：ADROIT 登上 TR35。2016 ● UW360：能像人手一样移动的机械手，2016 年 8 月 ● ScienceDaily：这种 5 指机械手可自行学习抓握物体。2016 年 5 月 ● Engadget：机械手可自行学习旋转物体。2016 年 5 月 ● GeekWire：华盛顿大学团队创造了一种机械手，它可以比你的更灵巧。2016 年 5 月 ● Gizmodo：这个机器人可自行学习旋转棍子。2016 年 5 月 ● UWToday：这种 5 指机械手可自行学习抓握物体。2016 年 5 月 ● UW CSE 新闻：UW CSE 机械手可自行学习操纵物体。 2016 年 5 月 ● CNN：能够从错误中学习的超人机械手。2016 年 5 月 ● Tech Insider：研究人员创造了一种与人类极为相似且可以自行学习的机械手。2016 年 5 月 ● 印度快报：五指机械手学会自行抓握。2016 年 5 月 ● 英国每日镜报：令人难以置信的五指机械手能够从自身的经验中学习。2016 年 5 月 ● 经济时报：五指机械手学会自行抓握。2016 年 5 月 ● ZDNet：五指机械手有自己的想法。2016 年 5 月 ● Kurzweil：这种五指机械手的功能接近人类。2016 年 5 月 ● 最重要的一点：熟练：熟能生巧的机械手。UW-CSE，2016 年夏季 ● 未来主义：这种五指机械手比你自己的还要灵活。 2016 年 5 月 ● Hackaday：机器人啦啦队只需一只手就能学会基本技巧。2016 年 5 月 ● 设计：可以自行学习任务的五指机械手。2016 年 5 月 ● 有趣的工程：可以自学移动的机械手。2016 年 5 月 ● FoxNews：炫酷的机械手可以边走边学。2016 年 5 月 ● IEEE Spectrum：模拟和现实中的下一代假肢。2015 年 2 月 ● UW CSE 新闻：人民选择奖。2013 年 10 月 ● 纽约时报：触感细腻的机器人。2012 年 9 月 ● 每日新闻：华盛顿大学程序员为灾难响应机器人开发软件。2012 年 11 月
皮质肌肉耦合控制混合脑......
用于中风后运动康复的脑机接口 (BCI) 系统已证明其通过加强与运动相关的大脑活动来促进上肢运动恢复的有效性。混合 BCI (h-BCI) 利用中枢和外周激活，常用于辅助 BCI 以提高分类性能。然而，在康复环境中，应提取大脑和肌肉特征以促进良好的运动结果，不仅加强中枢运动系统中的意志控制，而且还加强将运动命令有效投射到目标肌肉，即中枢到外周的通信。出于这个原因，我们考虑将皮质肌肉耦合 (CMC) 作为专用于中风后上肢运动康复的 h-BCI 的一个功能。在本研究中，我们对 13 名健康参与者 (CTRL) 和 12 名中风患者 (EXP) 在执行（CTRL，EXP 未受影响的手臂）和尝试（EXP 受影响的手臂）手抓握和伸展时进行了伪在线分析，以优化 CMC 计算和基于 CMC 的运动检测从离线到在线的转换。结果表明，每 125 毫秒更新一次 CMC 计算（滑动窗口的移位）并在最终分类决策之前积累两个预测是运动分类准确性和速度之间的最佳平衡，与运动类型无关。对中风参与者的伪在线分析表明，尝试和执行的抓握/伸展都可以通过基于 CMC 的运动检测进行分类，并且在分类速度方面具有很高的性能（运动检测到 EMG 开始之间的平均延迟约为 580 毫秒）
海报展示
CDT Charles Christianson，虽然航空车可以访问比地面系统更大的空间，但传统上，它们无法操纵工具或物体来在环境上执行有用的工作。 这样的能力可以大大扩展可以通过机器人执行的任务类型，从而提供增强的人类安全。 但是，对于有限的有限载荷，对稳定性敏感的平台（例如无人机），实现多种物体形状和尺寸的强大抓地力是具有挑战性的。 在本文中，我们描述了符合UAV上使用的符合干扰夹的设计和制造。 然后，我们在各种不同的物体特征形状和尺寸上分析了抓地力的性能。 最终，我们证明，由于其多功能性，合规性和易于操作，这种抓手是空中抓地的好候选者。 关键字：干扰，机器人，空中，抓握，操纵联系人：Raymond Vonwahlde先生，RDRL-VTA BLDG 1120B 1120B，APG，MD 21005CDT Charles Christianson，虽然航空车可以访问比地面系统更大的空间，但传统上，它们无法操纵工具或物体来在环境上执行有用的工作。这样的能力可以大大扩展可以通过机器人执行的任务类型，从而提供增强的人类安全。但是，对于有限的有限载荷，对稳定性敏感的平台（例如无人机），实现多种物体形状和尺寸的强大抓地力是具有挑战性的。在本文中，我们描述了符合UAV上使用的符合干扰夹的设计和制造。然后，我们在各种不同的物体特征形状和尺寸上分析了抓地力的性能。最终，我们证明，由于其多功能性，合规性和易于操作，这种抓手是空中抓地的好候选者。关键字：干扰，机器人，空中，抓握，操纵联系人：Raymond Vonwahlde先生，RDRL-VTA BLDG 1120B 1120B，APG，MD 21005
厨房：用于6D物体姿势估算厨房环境中的现实世界基准和数据集
摘要 - 尽管最近在6D对象构成了机器人抓握的方法方面取得了进展，但在现有数据集中这些甲基多种多样的能力与现实世界中的握把和移动操作任务之间的功能之间存在很大的表现差距，尤其是当机器人完全依靠其单声学egocentric领域（Fov）。现有的现实世界数据集主要关注桌面抓地力方案，其中机器人臂放在固定位置，并且对象集中在固定外部相机的FOV中。评估此类数据集上的性能可能无法准确反映厨房环境中日常抓握和移动操作任务所面临的挑战，例如从较高的架子，水槽，洗碗机，烤箱，冰箱，冰箱或微波炉中检索物体。为了解决这一差距，我们提出了厨房，这是一种专门估算厨房环境中各个位置的物体的6D姿势的新颖基准测试。为此，我们录制了一个全面的数据集，该数据集包含约205K现实世界的RGBD图像，用于在两个不同的厨房中捕获的111个厨房对象，利用具有以自我为中心的人的人形机器人。随后，我们开发了一个半自动的注释管道，以简化此类数据集的标签过程，从而产生2D对象标签，2D对象分割掩码和6D对象，并以最少的人为努力构成。基准，数据集和注释管道可在https：//kitchen-dataset.github.io/kitchen上公开获得。
操纵所有内容的补充材料
动作生成模块。我们使用以代理为中心或以对象为中心的方法生成每个动作。对于以对象为中心的动作生成，我们利用了NVIDIA的基础掌握预测模型M2T2 [1]进行选择和放置动作。对于6-DOF抓握，我们从单个RGB-D摄像头（在现实世界中）或多个摄像机（在模拟中）输入一个3D点云。该模型在任何可抓取的物体上输出一组掌握提案，提供6-DOF的抓取候选物（3-DOF旋转和3D-DOF翻译）和默认的抓地力关闭状态。对于放置操作，M2T2输出一组6-DOF放置姿势，指示在基于VLM计划执行Drop原始操作之前，最终效应器应在何处。网络确保对象在没有冲突的情况下稳定地定位。我们还设置了mask_threshold和object_threshold的默认值，以控制拟议的GRASP候选人的数量。提出了模板抓取姿势的列表后，我们使用QWEN-VL [2]通过使用机器翻译模型[3]提示当前图像框架来检测目标对象。此检测应用于来自不同相机的所有重新渲染观点或观点。然后，我们将这些帧连接到单个图像中，将每个子图像用右上角的数字注释。接下来，我们将带有几次演示的GPT-4V API调用，并且任务目标提示GPT-4V输出所选数量的视点，这些视点为采样抓取姿势提供了最无用的视图以实现子任务。使用选定的观点，我们通过将最终效果通过运动计划者移动到采样的抓握姿势来执行掌握。
产品规格 ReFlex IFAK SystemTM
• 采用 HANK TM（高耐磨氯丁橡胶 Kevlar ® 复合材料）抓握手柄，经久耐用 • 可垂直或水平安装在 1.5 英寸 - 2.25 英寸的皮带上，水平安装在 MOLLE 上 • 精心设计的组织功能使所有用品触手可及 • 提手和弹力绳环可将卷筒固定在患者身上或悬挂在静脉注射架上架 • 可通过侧槽取用手套，无论是否将卷筒从托架上取下 • “迷你” MOLLE 可精确安装在窄至 1.5 英寸的皮带上或两排 MOLLE 面板上 • 药卷和托架上设有环形面板，用于贴标签（包括医疗交叉贴片）
涉及运动规划的大脑过程是诱发事件相关去同步的主要因素
事件相关去同步 (ERD) 是在运动执行和运动想象过程中在感觉运动区域观察到的脑电图 (EEG) 频谱功率的相对衰减。它是众所周知的 EEG 特征，常用于脑机接口。然而，其潜在的神经机制尚未完全了解，因为 ERD 是一个与涉及多条通路的外部事件相关的单一变量，例如运动意图、计划和执行。在本研究中，我们旨在确定诱发 ERD 的主要因素。在两种不同的实验条件下，指示参与者以三种不同的（10%、25% 或 40%MVF：最大自主力）水平握住他们的右手：涉及实时视觉力反馈 (VF) 的闭环条件或前馈 (FF) 方式的开环条件。在每种情况下，参与者被要求重复抓握任务一定次数，时间分别为休息（10.0 秒）、准备（1.0 秒）和运动执行（4.0 秒）。EEG 信号与运动任务同时记录，以评估每种条件下事件相关频谱扰动的时间过程并分析 EEG 功率的调制。我们对指示的抓握力水平和反馈条件下的 mu 和 beta-ERD 进行了统计分析。在 FF 条件下（即无力反馈），运动执行期间中期，对侧运动皮层的 mu 和 beta-ERD 显著减弱，而在 VF 条件下，即使在保持抓握期间，ERD 也保持不变。只有体感皮层的 mu-ERD 在高负荷条件下趋于略强。结果表明，ERD 的程度反映了改变虚拟平衡点的运动计划过程中涉及的神经活动，而不是招募运动神经元来调节抓握力的运动控制过程。
涉及运动规划的大脑过程是诱发事件相关去同步的主要因素
事件相关去同步 (ERD) 是在运动执行和运动想象过程中在感觉运动区域观察到的脑电图 (EEG) 频谱功率的相对衰减。它是众所周知的 EEG 特征，常用于脑机接口。然而，其潜在的神经机制尚未完全了解，因为 ERD 是一个与涉及多条通路的外部事件相关的单一变量，例如运动意图、计划和执行。在本研究中，我们旨在确定诱发 ERD 的主要因素。在两种不同的实验条件下，指示参与者以三种不同的（10%、25% 或 40%MVF：最大自主力）水平握住他们的右手：涉及实时视觉力反馈 (VF) 的闭环条件或前馈 (FF) 方式的开环条件。在每种情况下，参与者被要求重复抓握任务一定次数，时间分别为休息（10.0 秒）、准备（1.0 秒）和运动执行（4.0 秒）。EEG 信号与运动任务同时记录，以评估每种条件下事件相关频谱扰动的时间过程并分析 EEG 功率的调制。我们对指示的抓握力水平和反馈条件下的 mu 和 beta-ERD 进行了统计分析。在 FF 条件下（即无力反馈），运动执行期间中期，对侧运动皮层的 mu 和 beta-ERD 显著减弱，而在 VF 条件下，即使在保持抓握期间，ERD 也保持不变。只有体感皮层的 mu-ERD 在高负荷条件下趋于略强。结果表明，ERD 的程度反映了改变虚拟平衡点的运动计划过程中涉及的神经活动，而不是招募运动神经元来调节抓握力的运动控制过程。
开发具有新型刚度检测和阻抗控制
摘要：触觉手和握手，旨在实现熟练的对象操纵，对于与环境的高精度互动至关重要。这些技术在诸如微创手术等领域尤其重要，它们可以增强手术精度和触觉反馈：在高级假肢的发展中，为用户提供了改善功能和更自然的触觉，并且在工业自动化和制造业内，它们为更有效，安全和灵活的生产过程贡献了更有效，安全和灵活的生产过程。本文介绍了两指机器人手的开发，该手的开发采用了简单而精确的策略来操纵物体而不会损害或丢弃它们。我们的创新方法融合了对力敏感的电阻器（FSR）传感器，其平均电流是伺服电机的平均电流，以提高抓握的速度和准确性。因此，我们旨在创建一种比抓手更灵巧的抓握机制，而不是机器人手。为了实现这一目标，我们设计了一只两指机器人手，每只手指上都有两个自由度。将FSR集成到每个指尖中，以实现对象分类和初始接触的检测。随后，连续监测伺服电流以实现阻抗控制并保持对物体的掌握在各种刚度中。在初始接触时提出的手部对象的刚度分类，并通过融合FSR和运动电流来施加准确的力。使用耶鲁-CMU – Berkeley（YCB）对象进行了实验测试，包括一个泡沫球，一个空的苏打罐，苹果，苹果，玻璃杯，塑料杯和一个小牛奶包装。机器人的手成功地从桌子上捡起了这些物体，并将它们坐下而不会造成任何损坏或中途丢弃。我们的结果代表着具有先进物体感知和操纵能力的触觉机器人手的重要一步。