XiaoMi-AI文件搜索系统
World File Search System操纵者
感知的操纵者：人工智能 (AI) 系统如何设计来误导乔纳森·科勒
人工智能 (AI) 与计算机一样古老，可以追溯到 1945 年的 ENIAC (电子数字积分计算机)。“人工智能之父”约翰·麦卡锡在 1956 年他召集的达特茅斯会议上对人工智能进行了定义，他指出“学习的每个方面或智能的任何其他特征原则上都可以得到如此精确的描述，以至于可以让机器对其进行模拟。” 1958 年，他专门为人工智能开发了 LISP 语言。20 世纪 60 年代、70 年代和 80 年代见证了专家系统和一些自然语言系统的发展。20 世纪 90 年代，机器学习得到了发展。21 世纪的特色是大数据；2010 年代和 2020 年代是神经网络。神经网络理论是在 20 世纪 40 年代发展起来的，第一个神经网络是在 20 世纪 50 年代、60 年代和 70 年代设计的。反向传播训练是在 20 世纪 80 年代发展起来的，循环神经网络和卷积神经网络是在 20 世纪 90 年代和 21 世纪发展起来的，而生成对抗神经网络是在 2014 年发展起来的。2017 年，Vaswani 等人 1 提出了一种新的网络架构 Transformer，它使用了注意力机制，省去了循环和卷积机制，所需的计算量大大减少。这被称为自注意力神经网络。它允许将语句的分析分成几个部分，然后并行分析它们。这是自神经网络诞生以来唯一真正重大的创新，因为它显著减少了推理和训练的计算负荷。神经网络的功能与人脑相同，使用大脑神经元、树突、轴突和突触的数学等价物。计算机和大脑都使用电信号，但神经脉冲是通过电化学方式传输的，这比计算机中的纯电流慢得多。轴突被髓鞘隔离，髓鞘可以大大加快传输速度，大量髓鞘化可以使速度提高 100 倍。2 GPT-3 系统中的人工智能神经网络在 2023 年就已经拥有爱因斯坦的智商，到现在可能已经是人类的 1000 倍。3 神经网络的心理层面在 1993 年由 K. Anders Ericsson 等人在一部被广泛称为“10,000 小时参考”的作品中描述。这适用于任何类型的技能——演奏乐器、做数学、参加体育比赛。当然，那些出类拔萃的人确实练习了很多，但更重要的是深度思考。爱立信并不了解其中的机制。2005 年，R. Douglas Fields 提出了
智能机器人系统和行业4.0
“机器人系统及其应用的一般视野；机器人类型（工业操纵者；工业机器人；人形机器人；陆生机器人；水生机器人；飞行机器人）；末端器官（机械，气动，气动，磁性，磁性，人造肌肉）；机器人和传感器体系的传感器（传感器的传感器）（传感器的传感器（传感器）（传感器）（传感器）（传感器）传感器，基于视觉系统）；
引用发布版本（APA）：Rehm，M.，Pontikis，I。，＆Hald，K。（2024）。来自工业人类运动数据的自动信任估计
摘要 - 自动化的信任通常会通过交互后问卷进行评估。对于人类机器人协作，评估在反应过程中的信任水平是有益的，以将机器人的协作行为调整为用户期望。在本文中，我们研究了是否可以从可观察到的行为（例如与大型工业操纵者的互动）中估计信任。为此，我们在协作悬垂期间报告了两个任务的数据收集，大型切割件的运输和实际悬垂过程非常接近机器人。数据用于训练和比较不同的深度学习模型。结果表明，自动信任估计是可行的，它可以使用信任作为通知与机器人交互的参数。
具有可变自主权的移动操纵器的迷你审查
本文介绍了具有不同自治水平的移动操纵器中当前研究状态的迷你审查，强调了它们相关的挑战和应用环境。在不同环境中需要移动操纵器，尤其是危险的操纵器，例如退役，搜救和救援，这是由于各种挑战和风险所面临的独特挑战和风险。在这些环境中部署的许多系统不是完全自主的，需要人类机器人的团队来确保在不确定性下安全可靠的操作。通过此分析，我们确定了有关可变自主权的文献中的差距和挑战，包括认知工作量和沟通延迟，并提出未来的方向，包括用于移动操纵者的全身自治，虚拟现实框架，大型语言模型，以减少操作员在某些挑战性和不确定方案中的复杂性和认知负载。
Borse Scudo -DM630/Makr Shakr
在复杂和非结构化的环境中部署自主智能操纵器仍然是一项艰巨的任务，在感知和动作观点下，许多开放问题。的确，当环境不是提前结构化和众所周知的情况时，计划机器人应采取的一组措施实际上是不可行的。这种行动确实可能取决于环境的全部状态（放置在感兴趣的对象和障碍物），其动态（即，当对象，人类或其他机器人四处移动时）以及任务本身的复杂性，而采取的行动可能取决于过去机器人在过去的工作。这项研究的范围是开发理论，方法和算法，以使操纵者在具有挑战性和非结构化的情况下，例如在食品和饮料制备中进行完全自治。学生将深入研究为
用...
摘要。手势确定的动态功能（GDDF）是一种有效的方法来处理人形机器人的控制问题。特别是GDDF来限制人形机器人和转向特定手势的双臂运动，以在某些条件下执行苛刻的任务。但是，该方案仍然有缺乏效率。通过实验，我们发现双臂的关节可以被视为冗余操纵器，可以在关节角度稍微超过其极限。性能直接取决于事先为GDDF设计的参数，这导致对该方法的实际应用缺乏适应性。在本文中，提出了一个考虑边缘（MGDDF）的GDDF的修改方案。此MGDDF方案基于二次编程（QP）框架，该框架被广泛应用于解决机器人臂的冗余问题。此外，在拟议的MGDDF方案中引入了三个边距，以避免联合限制。考虑到这些边缘，人形机器人机器人的操纵者的关节将不会超过其限制，并且将完全避免可能由超过限制造成的潜在损害。在MATLAB上进行的计算机模拟进一步验证了拟议的MGDDF方案的可行性和优势。
CISLUNAR空间应用的物理信息确定
准确的轨道测定对于Cislunar空间监测至关重要。在低地球轨道（LEO）中用于OD的传统技术可能无法在Cislunar空间中有效地工作，因此需要新的方法来估计这种环境中机动目标的状态。本文提出了一种利用物理知情神经网络（PINN）的新方法，这是一种独特的神经网络类型，旨在解决由参数微分方程控制的前进和反问题。OD问题被视为一个动态问题，其目的是从观察数据开始解决管理微分方程。该系统能够使用仅被动角度观察来估计目标状态，而无需任何初始猜测或集成。如果考虑操纵目标，包括运动方程中未知的动态组件，则可以在观察范围内的任何时候估算目标状态和操纵者本身。该方法均可在Space4 Center提供的CISLUNAR对象和合成生成的数据的两个实际角度观察结果上进行测试。本文得出的结论是，所提出的方法有可能提高Cislunar空间中的OD准确性，并且可能是传统方法的有希望的替代方法。
人工智能与哲学创造力：从分析到创造论 1
摘要：将人工智能理想化为独立于人类操纵者的趋势，加上人类与数字机器之间日益增长的本体论纠缠，创造了一个“人机合一”的视野，其中数据分析、统计和概率使我们的代理能力受到质疑。我们如何避免将智能具体化为普遍操作强加于我们的命运的后果？本文认为，自动化智能幻想中的自主性为哲学意识提供了一个反差的机会，使其能够重新理解自身作为整体和共同创造，超越哲学史上最近的“分析”时刻。这里我们引入了“创造性智能”的概念，这是意识的一个元分析和元辩证方面。智能行为可能包括通过分割分析过程在噪声中区分离散的熟悉部分或可重复的功能；智能也可能通过关联或组装的辩证过程体现在更大的整体和动态统一的构成中。但相反，创造性智能以理想或真理的形象共同创造现实，考虑到充满可能性的欲望主体，不仅与现实有关，而且与创造性崇高或“Creal”有关。关键词：人工智能；技术；分析；创造性智能；元哲学。
使用CAD和GUI
摘要 - 行业中的操纵者日益普及的人增加了对操纵器的运动学和动态知识的掌握的需求。另一方面，操纵器是为了学习目的而不是负担得起的物品，因此建模是正确的解决方案之一，也是一种新的贡献形式来引入物理操纵器，而无需在实验室中进行许多操纵器。通过这项工作，可以将4度（DOF）操纵器的4度操纵器的物理建模与其原始形式作为教育机器人类似，并且可以设计仪表板来控制其运动。使用Autodesk Inventor开发了操纵器的机械物理模型，并且使用图形用户界面（GUI）MATLAB进行操作参数的设置。使用的操纵器模型是Dobot Magician，它具有四个Revolute关节。使用Autodesk Inventor设计工具进行建模的优势是直观的用户界面，易于理解和无学生许可，因此，它比学生（例如在现有研究中）对学生更友好。作为一种学习媒体，这种建模非常复杂，可以学习机械设计，在SIMSCAPE多机上使用XML（可扩展的标记语言）扩展转换为MATLAB，在SIMSCAPE上设置了运动学和动力学，并在MATLAB上使用GUI设计控制界面。这项工作通过基于前向运动学和反向运动学方法的GUI设定的路径计划方法证明了机器人运动的准确性。
实时数字双胞胎具有用于工业操纵器应用的加固学习：在NVIDIA ISAAC健身房的ABB Yumi机器人数字双胞胎设计和建筑RL应用程序
工业部门正在经历一个变革阶段，随着先进的机器人技术和人工智能（AI）技术的整合。本论文，探讨了数字双技术的协同应用以及增强学习在增强工业环境中机器人操纵器的效率和适应能力方面的应用。这项研究的核心前提重点是解决动态和复杂工业环境中手动程序方法的局限性。手动编程通常缺乏在各种且无法预测的环境中有效操作所需的适应性和学习能力。加固学习的合并使机器人操纵者能够通过与环境的互动来学习和调整，从而提高了运营效率，并最大程度地减少了对广泛编程工作的需求。数字双胞胎是物理环境的数字虚拟复制品。这允许在受控的，无风险的设置中对机器人操纵器行为进行模拟，分析和优化。将数字双胞胎与增强学习的集成能够对机器人系统进行有效的培训，从而使他们能够学习复杂的任务并适应新场景，而无需与现实培训相关的身体磨损和风险，并设置了环境。研究方法涉及开发数字双胞胎模拟环境，强化学习算法在此环境中的机器人操作器中的应用，并引起了学习任务转移能力对现实应用程序的重要性。该研究还研究了与数字双胞胎和加强学习技术相关的挑战。预期的结果包括提高机器人操纵器在工业应用中的适应性和效率，从而减少了为特定任务提供机器人所需的时间，成本和资源。此外，预计自动驾驶机器人操作的安全性和可靠性增强。这项研究旨在证明强化学习和数字双技术在转变工业机器人技术方面的潜力，从而为机器人应用提供了更具灵活，高效和智能的开发过程。本文对工业自动化的未来具有重要意义，为更适应性，高效和智能机器人系统提供了一种途径。通过利用AI和模拟技术的最新进步，它旨在为工业机器人技术的发展做出贡献，为更先进的工业解决方案铺平道路。