XiaoMi-AI文件搜索系统
World File Search System效应器
人类声道的顶叶-颞叶感觉-运动整合区域：来自熟练音乐家的 fMRI 研究的证据
顶叶皮层中已发现几个感觉运动整合区域，这些区域似乎围绕运动效应器（例如眼睛、手）组织。我们研究了人类声道是否存在感觉运动整合区域。说话需要大量的感觉运动整合，其他能力（如发声音乐技能）也需要。最近的研究发现，颞顶叶后上部区域 Spt 区既具有感觉（听觉）又具有运动反应特性（针对语音和音调刺激）。熟练的钢琴家在听新旋律时，要么偷偷地哼唱旋律（声道效应器），要么偷偷地在钢琴上弹奏旋律（手动效应器），这时用 fMRI 测量了他们的大脑活动。与偷偷地哼唱相比，偷偷地弹奏条件下 Spt 区域的活动明显更高。前 IPS（aIPS）中的一个区域显示出相反的模式，表明它参与了感觉手动转换。这一发现表明，Spt 区是声道手势的感觉运动整合区域。© 2007 Elsevier Ltd. 保留所有权利。
e1161232024.完整版.pdf
手部运动与几个相互连接的皮质区域的神经活动调制有关，包括初级运动皮质 (M1) 以及背侧和腹侧运动前皮质 (PMd 和 PMv)。局部场电位 (LFP) 提供了神经元放电和突触输入之间的联系。我们目前对对侧和同侧运动过程中 M1、PMd 和 PMv 中的 LFP 如何变化的理解并不完整。为了帮助揭示调制模式的独特特征，我们同时记录了两只用右手或左手执行伸手和抓握动作的恒河猴在这些区域的 LFP。在低频 (≤ 13 Hz) 和 γ 频率下，M1 中观察到最大的效应器依赖性差异。在运动前区域，与手部使用相关的差异仅存在于低频中。PMv 在指令提示期间在低频中表现出最大的增幅，而在运动执行期间表现出最小的效应器依赖性调制。在 PMd 中，δ 振荡在对侧伸手和抓握时较大，β 活动在对侧抓握时增加。相反，β 振荡在 M1 和 PMv 中减少。这些结果表明，虽然 M1 主要表现出效应器特定的 LFP 活动，但运动前区计算更多与效应器无关的任务要求方面，特别是在 PMv 的运动准备和 PMd 的产生过程中。精确手部运动的产生可能依赖于每个皮质区域所含独特神经调节模式中包含的互补信息的组合。因此，整合来自运动前区和 M1 的 LFP 可以提高脑机接口的性能和稳定性。
腿部机车操作的视觉全身控制
摘要 - 我们研究了配备有手臂的腿部机器人的移动操作问题，即腿部手机。机器人腿通常用于活动性，但通过进行全身控制提供了一个机会来扩大操纵功能。也就是说，机器人可以同时控制腿部和手臂以扩展其工作区。我们提出了一个可以通过视觉观测来自主进行全身控制的框架。我们的方法，即视觉全身控制（VBC），是由低级政策组成的，使用各个自由度来跟踪人体速度以及最终效应器位置以及基于视觉输入的速度和最终效应器位置的高级政策。我们在模拟中训练两个级别的策略，并执行SIM2REAL转移以进行实际机器人部署。我们进行了广泛的实验，并在以不同的配置（高度，位置，方向）和环境中拾取不同对象时表现出明显的优势。
通过非侵入性脑刺激实现全身触觉
我们提出了一种触觉的新概念，其中一个集中式身体执行器通过刺激大脑（即神经系统的来源）在多个身体部位上产生触觉效果——我们称之为触觉源效应器，而不是传统可穿戴设备在每个身体部位（末端效应器）上连接一个执行器的方法。我们通过经颅磁刺激 (TMS) 实现我们的概念——这是一种来自神经科学/医学的非侵入性技术，其中电磁脉冲可以安全地刺激大脑区域。我们的方法在整个身体（例如，手、手臂、腿、脚和下巴——我们在第一次用户研究中发现）中产生大约 15 种触觉/力反馈感觉，所有这些都通过使用一个在头皮上机械移动的磁线圈刺激用户的感觉运动皮层来实现。在我们的第二项用户研究中，我们探讨了参与者在 VR 中使用触觉显示器时的体验。最后，随着
EDF 多年期展望草案 2023-2026 – v4
- 弥合非特定数据（如模拟数据）与真实任务特定数据之间现实差距的方法，以及用于人工智能支持的任务规划和执行（如战场数据）的模拟框架（R） - 用于态势感知、决策和效应器协调的 3D 地形和城市模型//数字建模、结构分析和目标检测
国防路线图演示国际。...
• WG1 – 无人智能自主系统 • WG2 - 信息处理/数据管理、通信和嵌入式智能系统 • WG3 – 弹药系统/效应器和集成 • WG4 – 结构、材料（包括能量）和保护元件 • WG5 – 生命周期支持和服务 • WG6 – 先进飞行器、控制系统和推进系统 • WG7 – Space4Defense • 战略横向工作主题
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。
自适应控制容错自主载体... - SOAR
本文介绍了自适应控制方法在将自主固定翼飞机回收到航空母舰上的应用。所用的控制结构是模型参考自适应控制，在俯仰、滚转、偏航和空速轴上实施，以提供飞机的 6 个自由度控制。控制系统是为 NAVAIR ExJet 飞机模型开发的。控制器的结构包括一阶线性模型跟随器和自适应批评控制器。自适应用于增强自适应批评控制器产生的命令信号，使用以下方法：自适应偏差校正器、最佳控制修改和局部线性模型补偿。基于状态空间模型的逆控制器生成控制效应器命令。控制系统参考输入是旋转速率和空速，提供外环控制器来引导飞机到达着陆点。控制系统设计是通过使用基于标称误差、时间延迟裕度和着陆精度的指标来实现的。在标称、效应器故障和控制系统建模错误条件下评估控制系统。定义的控制系统能够在标称、故障和建模错误条件下提供所需的控制。