XiaoMi-AI文件搜索系统
World File Search System操纵
通过虚拟现实框架演示的机器人学习的服装操纵数据集
摘要。能够向双手机器人传授复杂的功能，例如折叠服装，这是一项非常具有挑战性的任务，通常使用示范数据集中的学习来解决它。如今，机器人研究界可用的几个服装折叠数据集是从人类示范中收集的，要么通过模拟产生。前者有一个巨大的问题，即感知人类的作用并将其转移到机器人的动态控制中，而后者则需要在开放循环中编码人类的运动，从而导致遥远的运动。在本文中，我们提供了人类折叠式演示的简化但非常准确的数据集。数据集是通过Unity的3D平台和HTC Vive Pro系统的使用，通过我们建议的新型虚拟现实（VR）框架收集数据集。该框架能够模拟非常逼真的服装，同时允许用户通过手持控制器实时与它们进行交互。这样做，并且由于沉浸式的经验，我们的框架摆脱了人类和机器人感知循环之间的差距，同时简化了数据捕获并导致了更现实的样本。
3D感知图像合成上自定义属性的定量操纵
尽管基于3D的GAN技术已成功地应用于具有各种属性的照片真实的3D图像，同时保持视图一致性，但很少有关于如何罚款3D impersimens的研究，而不会限制其属性特定对象的特定对象类别。为了填补此类研究空白，我们提出了一个基于3D的GAN代表的新型图像操纵模型，以对特定的自定义贡献进行细粒度控制。通过扩展最新的基于3D的GAN模型（例如，EG3D），我们的用户友好定量操作模型可以实现对3D操作多属性数量的精细而归一化的控制，同时实现了视图一致性。我们通过各种实验验证了我们提出的技术的有效性。
欧洲对外行动署第一份关于外国信息操纵和……的报告
这份关于外国信息操纵和干扰威胁的报告的第一版是根据欧洲对外行动署 (EEAS) Stratcom 第 8 部门 2022 年的工作成果编写的。这是此类报告中的第一份报告，可以看作是一个试点项目。它将 EEAS 基于 FIMI 捍卫者社区的最佳案例实践开发的新框架应用于 2022 年 10 月至 12 月期间发现和分析的 100 起 FIMI 事件的首批样本。因此，它并不打算全面概述 FIMI 或特定参与者，而是强调如何通过这种方法增强现有分析。在本报告中，EEAS 使用最佳案例实践方法来对正在进行的 FIMI 活动、参与者和威胁级别做出明智的判断。因此，它是支持明智和基于分析的政策选择的有用工具。根据使用的样本，本报告的主要发现如下：
运动原始扩散：学习可变形物体的轻柔机器人操纵
摘要 - 机器人辅助手术（RAS）中的policy学习缺乏数据效率和多功能方法，这些方法表现出对于精致的手术干预的所需运动质量。为此，我们介绍了运动原始扩散（MPD），这是一种在RAS中模仿学习的新方法（IL），重点是轻柔地操纵可变形物体。该方法结合了基于扩散的模仿学习（DIL）的多功能性与概率动态运动原始基原始（PODMP）的高质量运动产生能力的多功能性。这种组合启动MPD可以轻柔地操纵可变形物体，同时保持数据效率对于稀缺的RAS应用至关重要。我们在状态和图像观察中评估了各种模拟和现实世界机器人任务的MPD。MPD在成功率，运动质量和数据效率方面优于最先进的DIL方法。项目页面：scheiklp.github.io/movement-promistive-diffusion
scene_synthesizer：机器人操纵中的程序场景生成的Python库
仿真是培训深度学习模型的越来越多的数据源。在机器人技术中，模拟已成功地用于学习诸如导航，步行，飞行或操纵之类的行为。模拟中数据生成的价值主要取决于场景布局的多样性和规模。现有数据集（Ehsani等，2021; Garcia-Garcia等，2019; Mo等，2019; Nasiriany等，2024）在这方面受到限制，而纯粹的生成模型仍然缺乏在物理模拟中可以使用的场景（HOLLEIN及2023 al。el。，et e e eT el。 2024）。其他程序管道要么专注于学习视觉模型（Denninger等，2023; Greff等，2022; Raistrick等，2023），要解决特定的用例，例如自主驾驶（Fremont等，2020; Hess等； Hess等，2021），或者很难扩展和自定义的平台（它们是一个特定的平台（它们是一个与众不同的平台（DET）（DEIT）（DEIT）（DEIT）（DEIT）（DEIT）（DETIT）（DETER）（DETER）。 ）。使用scene_synthesizer我们提出
通过宿主和微生物衍生的代谢物对上皮完整性和粘膜免疫的操纵
©作者2023。Open Access本文是根据Creative Commons Attribution 4.0 International许可获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信誉，请提供与创意共享许可证的链接，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在信用额度中另有说明。如果本文的创意共享许可中未包含材料，并且您的预期用途不受法定法规的允许或超过允许的用途，则您需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/4.0/。Creative Commons公共领域奉献豁免（http://creativecommons.org/publicdomain/zero/zero/1.0/）适用于本文中提供的数据，除非在信用额度中另有说明。
分子纳米磁体中自旋信息的量子相干操纵
4个物理量子处理器controlmw pulsesControlquantum误差校正量子量子量子量子处理controgical Controgical root ReadOutQuantutquantumshor算法，Grover，量子模拟
一个新的实验范式来操纵人类自动化研究的风险
目的：两项研究可作为对新的实验多任务范式的操纵检查，该范式可以应用于人自动化研究（虚拟现实现实测试风险和自动化研究； VIRTRAS），在该研究中，可以将其作为虚拟现实环境的一部分操纵。背景：风险已被假定是影响人类自动化相互作用的重要上下文因素。然而，由于以道德方式进行了不同的操作风险，实验证据很少。在新范式中，风险因参与者执行任务的高度而异，包括在错误时实际上掉落的可能性。方法：使用主观的自我报告和客观措施，使用范式的关键组成部分来研究参与者在低（0.5 m）和高海拔（70 m）中的风险感知。结果：在高海拔条件下，风险感知显着较高，中等至较大的效应大小。此外，行为度量的结果表明，参与者的暴露时间习惯了。但是，在两个高度条件下，这种习惯似乎也同样发生。结论：操纵检查成功。新范式是自动化搜索的有前途的工具。它结合了风险的上下文因素，并创造了一种与现实生活中的经营者体验更可比的情况。此外，它还符合人类自动化研究中其他多任务环境的相同策略。应用：新的范式提供了改变人自动化研究中风险的背景因素的基础，该研究以前以前被忽略或以较低的方式进行操作。
通过触觉反馈和预训练的对象表示自适应接触式操纵
摘要 - 在基于学习的接触任务中，由于演示数据有限以及培训和部署条件之间的差距，仔细的力控制对于适应环境变化至关重要。这在擦拭任务中尤其重要，因为操纵柔软和可变形的物体（例如，海绵），在擦拭表面高度和海绵特性中，需要适应力的适应力。为了解决此问题，我们介绍了一种将实时触觉反馈与预训练的对象表示结合的方法，从而使机器人能够适应未看到的表面高度和对象属性。在实际硬件上进行了测试，该方法通过分析力轨迹，展示了适应性的显着进步，成功地适应了操纵环境的变化。索引术语 - 摄像模仿学习，基于力的接触 - 富含富含力的操纵，对象表示