XiaoMi-AI文件搜索系统
World File Search System操纵
如何防范深度伪造技术的威胁 对抗数字操纵的斗争
在网络安全领域，恶意行为者可以使用深度伪造技术创建伪造内容并发起社会工程攻击，例如网络钓鱼或鱼叉式网络钓鱼活动。这些风险凸显了迫切需要采取强有力的对策来防范深度伪造产生的网络安全威胁和隐私泄露的有害影响。出现了大量漏洞和威胁。这些漏洞和威胁主要是由生成式人工智能和深度伪造技术的进步推动的。这些技术对语音和视频身份验证系统的完整性构成的迫在眉睫的威胁包括：
tidybot ++：机器人学习的开源自动移动操纵器
摘要：利用最近在模仿学习中进行操作的前进的承诺将需要收集大量的人类引导示范。本文提出了一种开源设计，用于廉价，健壮且灵活的移动操纵器，该设计可以支持任意武器，从而实现了各种各样的现实世界家庭移动操纵任务。至关重要的是，我们的设计使用动力施法者使移动基础能够完全自动，能够同时独立地控制所有平面自由度。此功能使基础更具机动性，并简化了许多移动操作任务，从而消除了在非实体基础中产生复杂且耗时的动作的运动限制。我们为机器人配备了直观的手机遥控接口，以实现简单的数据获取以进行模仿学习。在我们的实验中，我们使用此界面来收集数据，并表明所产生的学习政策可以成功执行各种常见的家庭移动操纵任务。
野外自动空中操纵的开源软机器人平台
摘要：空中操纵将飞行平台的多功能性和速度与移动操作的功能能力相结合，由于需要精确的定位和控制，这引起了挑战。在传统上，研究人员依靠卸下感知系统，这些系统涉及昂贵且不切实际的室内环境。在这项工作中，我们引入了一个新颖的平台，用于自主空中操纵，该平台可易于利用板载感知系统。我们的平台可以在各种室内和室外环境中进行空中操纵，而无需依赖外部感知系统。我们的实验结果表明了平台在不同环境中自主掌握各种对象的能力。这一进步可以通过消除昂贵的跟踪解决方案的需求来显着提高空中操纵应用的可扩展性和实用性。为了加速未来的研究，我们开源3我们的ROS 2软件堆栈和自定义硬件设计，使我们的贡献可用于更广泛的研究社区。
双手机器人操纵的3D策略扩散
图1：BI3D扩散器演员的概述。顶部：BI3D扩散器Actor是一个条件扩散模型，生成两个端效应器的3D轨迹。类似于[13]，在每个扩散步骤I中，我们的模型将机器人未来最终效应器轨迹的噪声估计值，提出RGB-D视图O和本体感受信息c。这些令牌是通过注意，使用3D相对位置信息的上下文对语言进行的，并参与语言令牌l以融合教学信息。Our model predicts the noise of left- and right-hand 3D locations ( ϵ loc θ,l ( o , l, c l , τ i l , i ) and ϵ loc θ,r ( o , l, c r , τ i r , i ) ) and the noise of left- and right-hand 3D rotations ( ϵ rot θ,l ( o , l, c l , τ i l , i ) and ϵ rot θ,r ( o , l, c r , τi，r i）。底部：在推断期间，BI3D扩散器演员迭代地将未来双手轨迹的估计值降低。
智能行业的机器人操纵器的基于增强学习的运动计划
摘要 - 由数字技术和自动化的整体推动的智能行业的出现，彻底改变了制造业和工业流程。机器人技术和人工智能（AI）处于这种转变的最前沿，推动了对机器人自动化和运动计划的广泛研究。传统的运动计划算法，例如人工电位领域，生物启发的启发式方法和基于抽样的方法，通常在复杂的环境中流动，因为它们的高计算需求和产生非最佳解决方案的趋势。强化学习（RL）已成为一种强大的替代方案，在动态设置中提供了实时适应和最佳决策。本文回顾了经典运动计划方法的固有局限性，并探讨了基于RL的方法中的当代趋势，重点是它们在智能行业中的应用。它突出了RL在增强适应性，效率和鲁棒性方面的优势，尤其是在高维和动态环境中。关键讨论包括将RL与传统技术的集成，RL应用在各个领域的扩展以及基于传感器的方法在改善运动控制中的作用。
强制性：以力量捕获系统进行富含接触的操纵的力量仿真学习
摘要 - 在大多数接触式操纵任务中，人类将随时间变化的力应用于目标对象，以补偿视觉引导的手轨迹中的不准确性。，当前的机器人学习算法主要集中在基于轨迹的政策上，而对学习力相关的技能的关注有限。为了解决这一局限性，我们引入了以力为中心的机器人学习系统Forcemimic，提供了一种自然，吸引力和无机器人的机器人示范收集系统，以及用于强大接触富含接触良好的操作的混合力 - 动作模仿学习算法。使用拟议的forcapture系统，操作员可以在5分钟内剥离西葫芦，而力量反馈近距离运行则需要13分钟以上，并且在任务完成方面挣扎。使用收集的数据，我们提议Hybridil训练一个以力为中心的模仿学习模型，该模型配备了混合力位置控制原始的原始性，以适合机器人执行过程中预测的扳手位置参数。实验表明，我们的方法使该模型能够在蔬菜剥离的接触术任务下学习更强大的策略，与基于纯粹的纯粹的模仿学习相比，成功率相对增加了54.5％。硬件，代码，数据和更多结果将在项目网站https://forcemimic.github.io上开放。
双臂移动操纵器-RB-Y1
脚踝滚动垩堋堉°/s， - - 堋堉°〜°踝倾斜垩堋堉°/s， - 堏堉°〜°膝关节， - h°/s， - 垩堍堉°〜°hip hip patper垩堑堉°/s， - hip lip lip lip lip to -Y°〜°肩倾斜垩堑堉°/s， - shoulder°〜°肩compry°/s，堉°〜°〜°〜°肩yaw°/s， - 垩堋堉°〜°〜°弯头p Proitk垩堑堉°/s/s， - s， - 垩堎堉°〜°〜堉°wrist YAW YAW YAW YAW°°°°°°。堌堏堉°/s， - 垩堉堉°〜°腕偏航堋°/s， - 垩堐堉°〜°
皮质和皮质下神经胶质细胞在急性化学发生操纵5层投影神经元的亚群
图1：RBP4 CRE -HM3DQ和RBP4 CRE -HM4DI DREADD激活A，B，兴奋性（蓝色）和抑制性（绿色）DREADD受体和实验程序的电生理验证。补丁钳电生理记录是连续进行的。在恒定的ACSF应用下，在5和10分钟下进行了两次基线记录，然后进行CNO给药，并在申请后2、5和10分钟进行三个记录，然后进行冲洗步骤。在最后一步中，获得了不同时间点的控制记录。c，RBP4 CRE -HM3DQ膜电压响应的代表性示例。d，CNO给药前后的输入输出曲线，以响应当前应用的增加。灰色代表，CNO给药后的蓝色痕迹。在RBP4 CRE -HM3DQ脑切片中CNO给药之前和之后，记录的神经元的膜电阻。基线和CNO管理之间没有显着差异（左）。CNO给药前后记录的神经元的静止膜电位。在CNO给药后，膜被概念性去极化（右）。n = 7只小鼠，单向方差分析通过邓内特的多重比较测试。e，RBP4 CRE -HM4DI膜电压响应的代表性示例。
RoboExp：通过机器人操纵的交互式探索行动条件的场景图
摘要：我们介绍了交互式场景探索的新颖任务，其中机器人自主探索环境并产生一个动作条件的场景图（ACSG），该图形图（ACSG）捕获了基础环境的结构。ACSG在场景中既说明了低级信息（几何和语义）以及高级信息（不同实体之间的动作条件关系）。为此，我们提出了机器人探索（RoboExp）系统，该系统结合了大型多模型（LMM）和明确的内存设计，以增强我们的系统功能。机器人的原因以及如何探索对象，通过交互过程累积新信息，并逐步构建ACSG。利用构造的ACSG，我们说明了机器人系统系统在促进涉及涉及刚性，清晰的对象，嵌套对象和可变形对象的各种真实的操纵任务方面的有效性和效率。项目页面：https：//jianghanxiao.github.io/roboexp-web/