XiaoMi-AI文件搜索系统
World File Search System机器人
智能采煤机器人关键技术
摘 要： 采煤机是综采工作面的核心装备，研发智能采煤机器人是实现综采工作面智能化的关键。 综合分析当前采煤机机器人化研究进程中的传感检测、位姿控制、速度控制、截割轨迹规划与跟 踪控制等技术的研究现状，提出研发智能采煤机器人必须破解的 “ 智能感知、位姿控制、速度控制、 截割轨迹规划与跟踪控制、位 − 姿 − 速协同控制 ” 五大关键技术，并给出解决方案。针对智能感知 问题，提出了构建智能感知系统思路，给出了智能采煤机器人智能感知系统的架构，实现对运行 状态、位姿、环境等全面感知，为智能采煤机器人安全、可靠运行提供保障；针对位姿控制问题， 提出了智能 PID 位姿控制思路，给出了改进遗传算法的 PID 位姿控制方法，实现了智能采煤机器 人位姿精准控制；针对速度控制问题，提出了融合 “ 力 − 电 ” 异构数据的截割载荷测量思路，给出 了基于神经网络算法的截割载荷测量方法，实现了截割载荷的精准测量；提出牵引与截割速度自 适应控制思路，给出了人工智能算法牵引与截割速度决策方法和滑模自抗扰控制的牵引与截割速 度控制方法，实现了智能采煤机器人速度精准自适应控制；针对截割轨迹规划与跟踪控制问题， 提出了截割轨迹精准规划思路，给出了融合地质数据和历史截割数据的截割轨迹规划模型，实现 了截割轨迹的精准规划；提出了截割轨迹精准跟踪控制思路，给出了智能插补算法的截割轨迹跟 踪控制方法，实现了智能采煤机器人截割轨迹高精度规划与精准跟踪控制；针对 “ 位 − 姿 − 速 ” 协同 控制问题，提出了 “ 位 − 姿 − 速 ” 协同控制参数智能优化思路，给出了基于多系统互约束的改进粒子 群 “ 位 − 姿 − 速 ” 协同控制参数优化方法，实现了智能采煤机器人智能高效作业。深入研究五大关键 技术破解思路，有利于加快推动研发高性能、高效率、高可靠的智能采煤机器人。
基于柔性传感的软体机器人交互研究进展
摘要：本文旨在总结基于灵活感测的软机器人相互作用研究的进展。首先，引入了软机器人实际应用中的最新进步，例如灵活的抓握，生物医学和环境探索。其次，提出了软机器人的运动学和动态建模方法。随后，分析了适用于软机器人的灵活感测技术，特别是针对讨论的讨论表现出圆润的多模式传感技术。然后，阐明了关于软机器人中传感和智能相互作用的当前研究状态，这表明了灵活的传感器用于固有和环境感知以及多峰传感的利用。重点是基于灵活传感器的软机器人的智能相互作用系统的分析。最后，讨论和预期基于灵活感测的软机器人相互作用研究中的潜在挑战和前瞻性方向。关键字：软机器人；灵活的传感；智能交互系统
新松工业机器人产品综合样本
Apr 1, 2024 — 新松机器人自动化股份有限公司(新松本部). SIASUN Robot & Automation Co., LTD.(SIASUN HQ). 沉阳新松半导体设备有限公司. Shenyang SIASUN Microelectronics Equipment ...
德勤智能财务机器人AI FinBot
德勤品牌于 1917 年进入中国市场，在上海开设办事处。如今，德勤中国为中国本土、跨国和成长型企业客户提供全面的审计及鉴证、咨询、财务咨询、风险咨询和税务服务。德勤中国还为中国会计准则、税收制度和专业技能的发展做出了巨大贡献，并将继续做出贡献。如需了解德勤如何在中国发挥重大影响，请访问我们的社交媒体平台 www2.deloitte.com/cn/en/social-media。
面向扑翼飞行机器人的电子稳像算法设计
引用本文: 刘胜南, 付强, 冯楠, 张春华, 贺威.面向扑翼飞行机器人的电子稳像算法设计[J].北科大：工程科学学报 , 2024, 46(9): 1544- 1553. doi: 10.13374/j.issn2095-9389.2023.10.06.001 LIU Shengnan, FU Qiang, FENG Nan, ZHANG Chunhua, HE Wei.Design of an electronic image stabilization algorithm for flapping-wing flying robots[J].Chinese Journal of Engineering , 2024, 46(9): 1544-1553. doi: 10.13374/j.issn2095- 9389.2023.10.06.001
Inflection AI：打造最“走心”的AI对话机器人
他的论文拥有超过 18 万次引用。 他在牛津大学完成了博士学位和博士后学业，在那里设计了 VGGNet 并赢得了著名的 ImageNet 挑战赛；他的第一家公司随后被 DeepMind 收购。作为 DeepMind 的首席科学家， Karen 建立并领导了大规 模深度学习团队，开发现实世界数据的大型 AI 模型。 Reid Hoffman 也是 Inflection AI 的联合创始人，他曾经是 LinkedIn 的联合创始人和 Greylock 的合伙人。在加入
面向线状柔性物体的机器人操作研究进展与展望
此类任务同样可以先离线学习状态转移预测模 型再使用 MPC 计算控制输入 [28-29] ，或直接使用强 化学习方法 [68-69] ，但需要大量训练数据且泛化性较 差。在准静态的局部形变控制中，更常用的方法是 在线估计局部线性模型。该模型假设线状柔性体形 状变化速度与机器人末端运动速度在局部由一个雅 可比矩阵 JJJ 线性地联系起来，即 ˙ xxx ( t ) = JJJ ( t ) ˙ rrr ( t ) ，其 中 ˙ xxx 为柔性体形变速度， ˙ rrr 为机器人末端运动速度。 由于使用高频率的闭环反馈来补偿模型误差，因此 完成任务不需要非常精确的雅可比矩阵。 Berenson 等 [70-71] 提出了刚度衰减（ diminishing rigidity ）的概 念，即离抓取点越远的位置与抓取点之间呈现越弱 的刚性关系，并据此给出了雅可比矩阵的近似数学 表示。此外，常用的方法是根据实时操作数据在线 估计雅可比矩阵，即基于少量实际操作中实时收集 的局部运动数据 ˙ xxx 和 ˙ rrr ，使用 Broyden 更新规则 [72] 、 梯度下降法 [73] 、（加权）最小二乘法 [33-34,74] 或卡尔 曼滤波 [75] 等方法在线地对雅可比矩阵进行估计。 该模型的线性形式给在线估计提供了便利。然而， 雅可比矩阵的值与柔性体形状相关，因此在操作 过程中具有时变性，这使得在线更新结果具有滞 后性，即利用过往数据更新雅可比矩阵后，柔性体 已经移动至新的形状，而新形状对应的雅可比矩阵 与过往数据可能并不一致。同时，完整估计雅可比 矩阵的全部元素需要机器人在所有自由度上的运 动数据，这在实际操作过程中难以实现，为此一些 工作提出根据数据的奇异值进行选择性更新或加 权更新 [74] 。此外，此类方法需要雅可比矩阵的初 值，一般在操作前控制机器人沿所有自由度依次运 动，收集数据估计初始位置的雅可比矩阵。受上述 问题影响，在线估计方法往往仅适用于局部小形变 的定点控制，难以用于长距离大形变的轨迹跟踪。 Yu 等 [31] 提出 ˙ xxx = JJJ ( xxx , rrr ) ˙ rrr 的模型形式，其中 JJJ ( · ) 为 当前状态至雅可比矩阵的非线性映射，待估计参数 为时不变形式。基于该模型，该方法将离线学习与 在线更新无缝结合，实现了稳定、平滑的大变形控 制。 Yang 等 [76-77] 使用模态分析方法建立柔性体模
机器人道德和负责任的机器人
“ AI事件数据库致力于索引通过人工智能系统的部署在现实世界中实现的危害的集体历史。就像航空和计算机安全中的类似数据库一样，AI事件数据库旨在从经验中学习，以便我们预防或减轻不良结果”