XiaoMi-AI文件搜索系统
World File Search System机器人学
扩展的现实，用于增强的人类机器人协作
自动化的兴起为实现制造过程的效率提供了更高的效率，但它经常损害迅速响应不断发展的市场需求并满足自定义需求所需的灵活性。人机合作试图通过将机器的力量和精度与人类创造力和感知理解相结合，以应对这些挑战。在本文中，我们概念化并提出了一个基于机器学习的机械手机的实施框架，该框架结合了人类的原则和杠杆范围，以促进现实（XR），以促进Humans和机器人之间的直观沟通和编程。此外，概念框架可以直接参与机器人学习过程中的人类参与，从而导致更高的适应性和任务概括。本文强调了可以实现拟议框架的关键技术，并强调了开发整个数字生态系统的重要性。此外，我们回顾了XR在人类机器人协作中的现有实施方法，展示了各种观点和方法。讨论了挑战和未来的前景，并深入研究了XR的主要障碍和潜在的研究途径，以实现更自然的人类机器人互动和工业景观中的整合。
认知研究可以为人工智能做些什么：案例研究
从历史角度来看，人工智能研究一直以认知科学领域的计算机科学家、心理学家、工程师、哲学家和生物学家之间的密切合作为基础。这种合作受到控制论方法对自然和人工系统研究的影响，多年来，在仿生学、机器人学、生物和神经启发系统以及更普遍的认知人工系统和系统科学领域形成了卓有成效的研究方向 [ 1 ][ 2 ]。然而，经过数十年的相互和开创性的合作，人工智能和认知科学已经产生了几个子学科，每个学科都有自己的目标、方法和评估标准。一方面，这种分裂促进了一些人工智能系统的发展，这些系统能够在受限领域（例如计算机视觉，或国际象棋、Jeopardy、围棋等游戏）产生超人的能力。但另一方面，它基于一种分而治之的方法，极大地阻碍了跨领域合作和科学努力，这些努力旨在更全面地了解自然和人工智能是什么，以及如何通过考虑来自自然界的见解来设计智能制品。然而，近年来，认知启发的人工系统领域重新引起了学术界和工业界的关注，人们普遍意识到需要在这个跨学科领域进行更多研究。事实上，用 Aaron Sloman 的话来说，“
机器人与人工智能在企业活动中的引入演进及前景分析
已经概述的场景，可以作为成功之路和人工智能与机器人技术组合持续共同改进的有力论据。从机器人与人工智能在现代竞争活动中的共生演变和前景来看，主要面向工业环境 4.0，以下方面和趋势脱颖而出： ✓ 在不久的将来，将更加重视机器人培训：借助人工智能，机器人将更容易训练，使其成为小公司/中小企业更可持续的投资，因为安装和培训成本将降低。已经有机器人的真实例子，可以通过人类操作员的演示快速思考 - 记住正确的动作本身（例如：Rethink Robotics 的 Baxter 和 Sawyer 机器人可以通过手臂引导的示例进行训练）。显然，如果找到确保机器人更容易地学习如何执行新活动的方法，那么机器人将快速适应并执行各种复杂的操作或活动，因为它们的记忆可以尽可能地扩展。✓ 云机器人技术需要进步：基于图像分类和语音识别的深度机器人学习通常基于包含数百万个示例的庞大数据集。AI 需要的数据比大多数本地机器人系统实际存储的数据更多。这样，云机器人技术的进步将推动 AI 和机器人技术的进步，因为云机器人技术允许智能
机械工程与技术
机械工程与技术 研究方向：金属成型技术 研究员姓名：CAPILLA GONZÁLEZ，GUSTAVO ORCID：0000-0002-6903-2567 任务：机械工程系，工程部，伊拉普阿托-萨拉曼卡校区 电子邮箱：g.capilla@ugto.mx 学术人员：机电一体化系统设计与集成。最近的研究项目：使用 3D 扫描设计和制作膝关节支撑矫形器的原型，使用增材制造改进膝关节支撑矫形器的设计和制造最近的科学文章：球抛光对 TRIP 钢板表面质量和机械性能的影响。 DOI：10.1007/s00170-021-07715-x 研究方向：具有延迟的系统 研究人员姓名：GOMEZ ALVAREZ、MARCO ANTONIO 任务：机械工程系、工程部、伊拉普阿托-萨拉曼卡校区 电子邮箱：marco.gomez@ugto.mx 学术人员：动力学与机器人学 最近的研究项目：设计和实施用于拾取和放置任务的机械手的基于延迟的控制算法。 最近的科学文章：关于具有多个延迟的微分代数系统的强 H2 范数：有限性标准、正则化和计算。 DOI：10.1109/TAC.2020.3046218 中立型时滞系统的必要充分稳定性条件（通过有限数量的数学运算）。 DOI：10.1109/TAC.2020.3008392
课程 - 辅助智能机器人技术实验室
教育：2017年4月3日 - 约翰·霍普金斯大学的访问研究生2017年6月30日（巴尔的摩），计算传感与机器人学实验室（主管：Nassir Navab）：骨盆裂缝手术机器人手术指南2014年10月15日。D. Tu Munich的学生，主席：机器人技术和嵌入式系统（主管：Alois Knoll）估计基于X射线观察的高度准确的机器人模型（与Siemens Healthcare Gmbh的合作（与Siemens Healthcare GmbH）Sc., Informatics at TU Munich 27 th June 2014 Specialization: AI and Robotics, Computer Graphics and Vision, Algorithms and Scientific Computing Master's Thesis (together with Siemens AG): Robotic System for Torque-Based Motion Compensation in Minimally Invasive Surgery Winter Term 2009/2010 – B.Sc., Informatics at TU Munich Summer Term 2012 Bachelor's Thesis: Depth-based Object Recognition for Robot Grasp Planning 2000 – 2009 Ehrenbürg-Gymnasium Forchheim (Mathematical and Natural Science) Summer Term 2007 Early Study at FAU Erlangen-Nürnberg Computer Science: Algorithms and Data Structures I Computer Science: Basics in Computer Science I Winter Term 2006/2007 Early Study在fau erlangen-nürnberg计算机科学：多语言混合语言解析
脑电刺激和持续行为状态跟踪在行走人类中的应用
1 美国明尼苏达州罗彻斯特市梅奥诊所神经病学系生物电子神经生理学和工程实验室。2 捷克布尔诺理工大学电气工程与通信学院生物医学工程系。3 捷克布拉格捷克技术大学捷克信息学、机器人学和控制论研究所，捷克共和国布拉格。4 捷克布拉格捷克技术大学生物医学工程学院，捷克共和国克拉德诺。5 捷克布尔诺圣安妮大学医院国际临床研究中心。6 美国明尼苏达州罗彻斯特市梅奥诊所医学院和梅奥诊所医学科学家培训计划。7 美国明尼苏达州罗彻斯特市梅奥诊所生物医学科学研究生院生物医学工程和生理学研究生课程。8 捷克科学院科学仪器研究所，布尔诺，捷克共和国。9 美国明尼苏达州罗彻斯特市梅奥诊所生理学和生物医学工程系。 10 英国牛津大学生物医学工程系。11 美国明尼苏达州罗切斯特市梅奥诊所神经外科系。12 明尼苏达州罗切斯特市梅奥诊所睡眠医学中心、神经病学和医学系、睡眠神经病学和肺部及重症监护医学科。+ 共同第一作者 * 通讯作者 电子邮件：Kremen.vaclav@mayo.edu、worrell.gregory@mayo.edu
学习走路：通过...
摘要 - 在性能和能量限制下的腿部机器人运动的在线学习仍然是一个挑战。的方法，例如随机梯度，深度增强学习（RL），已经针对双子，四倍和六脚架进行了探索。这些技术在计算密集程度上，因此很难在边缘计算平台上实施。这些方法在能源消耗和吞吐量方面也是不足的，因为它们依赖复杂的传感器和数据预处理。另一方面，神经形态范围（例如尖峰神经网络（SNN））在边缘智能上的低功率计算中变得越来越有利。snn表现出具有突触的仿生峰值时间依赖性可塑性（STDP）的强化学习机制的能力。但是，尚未探索训练腿部机器人以中央模式发生器（CPG）在SNN框架中生成的同步步态模式行走。这种方法可以将SNN的效率与基于CPG的系统的同步运动相结合 - 提供了移动机器人技术中端到端学习的突破性绩效。在本文中，我们提出了一种基于增强的随机学习技术，用于培训刺激CPG的六型固醇机器人，该机器人学会了在没有先验知识的情况下使用生物风格的三脚架步态行走。整个系统是在具有集成传感器的轻质Raspberry Pi平台上实现的。我们的方法在有限的边缘计算资源中为在线学习打开了新的机会。
认知研究能为人工智能做些什么：案例研究
从历史角度来看，人工智能研究以认知科学领域的计算机科学家、心理学家、工程师、哲学家和生物学家之间的密切合作为基础。这种合作受到控制论方法对自然和人工系统研究的影响，多年来，这种合作在仿生学、机器人学、生物和神经启发系统以及更普遍的认知人工智能系统和系统科学领域中形成了卓有成效的研究方向 [4][10]。然而，经过数十年的相互和开拓性合作，人工智能和认知科学已经产生了几个子学科，每个学科都有自己的目标、方法和评估标准。一方面，这种碎片化促进了一些能够在特定领域（如计算机视觉或国际象棋、Jeopardy、围棋等游戏）产生超人能力的人工智能系统的发展。但另一方面，它却建立在分而治之的方法之上，严重阻碍了跨领域合作和科学研究，这些研究旨在更全面地了解自然智能和人工智能是什么，以及如何通过考虑来自自然界的见解来设计智能制品。然而，近年来，认知启发式人工智能系统领域重新引起了学术界和工业界的关注，人们普遍意识到需要在这个跨学科领域开展更多研究。事实上，用 Aaron Sloman 的话来说，“自然智能和人工智能之间的差距仍然巨大”[21]，而这一领域的研究现在似乎对于开发更好的人工智能系统至关重要。特别是，认知研究可以对一系列似乎对人类来说特别容易完成的任务提供有用的见解（由于自动采用
生命迹象 - 生物艺术及其他 - 数字艺术档案
《视觉思维》，Michele Emmer 编辑，1993 年 《列奥纳多年鉴》，Craig Harris 编辑，1994 年 《设计信息技术》，Richard Coyne，1995 年 《沉浸在技术中：艺术与虚拟环境》，Mary Anne Moser 与 Douglas MacLeod 编辑，1996 年 《技术浪漫主义：数字叙事、整体论和现实的浪漫》，Richard Coyne，1999 年 《艺术与创新：施乐 PARC 艺术家驻留计划》，Craig Harris 编辑，1999 年 《数字辩证法：新媒体新论文集》，Peter Lunenfeld 编辑，1999 年 《花园中的机器人：互联网时代的远程机器人学和远程认识论》，Ken Goldberg 编辑，2000 年 《新媒体语言》，Lev Manovich，2001 年 《金属与肉体：人类的进化：技术接管，Ollivier Dyens，2001 神秘网络：与虚拟知识分子的对话，Geert Lovink，2002 信息艺术：艺术、科学和技术的交汇点，Stephen Wilson，2002 虚拟艺术：从幻觉到沉浸，Oliver Grau，2003 女性、艺术和技术，由 Judy Malloy 编辑，2003 协议：权力下放后控制如何存在，Alexander R. Galloway，2004 远距离：互联网上艺术和激进主义的前兆，由 Annmarie Chandler 和 Norie Neumark 编辑，2005 视觉思维 II，由 Michele Emmer 编辑，2005 CODE：协作所有权和数字经济，由 Rishab Aiyer Ghosh 编辑，2005 全球基因组：生物技术、政治和文化，Eugene Thacker， 2005 媒体生态：
机器人基于对话的技能和任务学习
摘要 - 连接和互动机器人学习是一个挑战问题，因为人类用户与人类用户一起存在，他们期望机器人学习新颖的技能，以通过样本效率永久解决新颖的任务。在这项工作中，我们为机器人提供了一个框架，可以通过与人类用户的自然语言对话框进行互动来查询和学习与任务相关信息。以前的方法要么着重于提高代理的指导性能，要么被动地学习新颖的技能或概念。相反，我们使用了对话框与语言技能接地嵌入在一起来查询或确认用户要求的技能和/或任务。为了实现这一目标，我们为代理商开发并整合了三个不同的组件。首先，我们提出了一种具有低级适应性（ACT-LORA）的新型视觉运动控制政策法案，这使现有的最新动作分解变压器[28]模型可以执行几次持续学习。其次，我们开发了一个对齐模型，该模型将跨技能实施例演示的分配模型分为共同的嵌入，使我们知道何时向用户提出问题和/或演示。最后，我们集成了现有的大型语言模型（LLM），以与人类用户进行交互，以执行扎根的互动持续技巧学习以解决任务。我们的ACT-Lora模型在仅接受五个新型技能的示威训练时，以100％的精度学习新颖的微调技能，同时仍保持74。在RLBench数据集中，其他模型的精度为75％，在其他模型中却显着短。