XiaoMi-AI文件搜索系统
World File Search System机械臂
通过大脑实现双手机械臂的共享控制......
智能机器人系统和脑机接口 (BMI) 的进步帮助患有感觉运动障碍的个体恢复了功能和独立性；然而，由于通过用户输入以协调的方式控制多个肢体的多个自由度 (DOF) 的技术复杂性，需要双手协调和精细操作的任务仍然未得到解决。为了应对这一挑战，我们实施了一种协作共享控制策略来操纵和协调两个模块化假肢 (MPL) 以执行双手自我进食任务。一位在感觉运动大脑区域有微电极阵列的人类参与者向两个 MPL 发出命令来执行自我进食任务，其中包括双手切割。从双侧神经信号解码运动命令，以一次控制每个 MPL 上的最多两个 DOF。共享控制策略使参与者能够将其四自由度控制输入（每只手两个）映射到多达 12 个 DOF，以指定机器人末端执行器的位置和方向。通过使用神经驱动的共享控制，参与者成功同时控制了两个机械肢体的运动，从而在复杂的双手自主进食任务中切开和进食食物。通过 BMI 与智能机器人行为协作实现的双手机器人系统控制的演示对于恢复感觉运动障碍患者的复杂运动行为具有重要意义。
使用机械臂进行 AI（人工智能）研究
使用机械臂进行 AI（人工智能）研究 Doan Ngoc Phuong 1 和 Nguyen Thi Phuong Thanh 2* 1,2 TNU - 越南信息与通信技术大学。通讯作者电子邮件：ntpthanh@ictu.edu.vn* DOI：http://doi.org/10.46759/IIJSR.2022.6208 版权所有 © 2022 Doan Ngoc Phuong。这是一篇根据知识共享署名许可条款分发的开放获取文章，允许在任何媒体中不受限制地使用、分发和复制，前提是注明原始作者和来源。文章收到：2022 年 2 月 24 日 文章接受：2022 年 4 月 28 日 文章发表：2022 年 5 月 31 日
使用优化的基于通用模板的 CCA 方法控制机械臂，实现基于 SSVEP 的 BCI
最近，基于脑机接口 (BCI) 的机械臂控制系统已被用于帮助残疾人士提高无需身体运动的交互能力。然而，由于脑电图 (EEG) 信号的不稳定性以及自发脑电图活动的干扰，在三维 (3D) 空间中用机械臂执行所需任务是一项主要挑战。此外，机械手在 3D 空间中的自由运动控制是一项复杂的操作，需要更多的输出命令和更高的脑活动识别精度。基于上述内容，设计了一种基于稳态视觉诱发电位 (SSVEP) 的同步 BCI 系统，该系统具有六个刺激目标，以实现七自由度 (7-DOF) 机械臂的运动控制功能。同时，应用了一种基于模板的新型方法，该方法从不同的受试者构建优化的通用模板 (OCT)，并从通用模板和多通道脑电图信号中学习空间滤波器，以提高 SSVEP 识别精度，称为基于 OCT 的典型相关分析 (OCT-CCA)。基于公开基准数据集的离线实验对比结果表明，提出的OCT-CCA方法与CCA和基于单独模板的CCA（IT-CCA）相比，检测精度显著提高，尤其是在使用较短数据长度的情况下。最后，对五名健康受试者进行了在线实验，实现了机械臂实时控制系统。结果表明，五名受试者均能独立完成控制机械臂到达三维空间指定位置的任务。
基于Arduino的机械臂设计与实现
本研究介绍了基于 Arduino 的机械臂的模型、设计和构造，该机械臂通过移动应用程序控制，可在远距离运行。本研究设计并实现了一个六自由度机械臂。由 Arduino 平台控制的设计通过无线控制信号（即蓝牙）从用户的移动应用程序接收命令。机械臂由五个旋转关节和一个末端执行器组成，其中旋转运动由伺服电机提供。每个连杆首先使用 Solid Works 设计，然后通过 3D 打印机打印出来。机器人零件的组装和电机的机械形状产生了机械臂的最终原型。Arduino 已被编程为为每个相应的伺服电机提供旋转，以便在设计的移动应用程序中为滑块提供远程使用。
规划空间机械臂的故障安全轨迹
对于部署在对人类有害和危险环境中的机器人操纵器，经常会担心关节故障时任务执行的可靠性。冗余机器人操纵器可用于降低风险并确保故障后任务的完成，这对于太空应用等至关重要。本文介绍了分析关节故障潜在风险的方法，并介绍了用于机器人操纵器的容错任务设计和路径规划的工具。所提出的方法基于离线预计算工作空间模型。这些方法足够通用，可以处理具有任何类型的关节（旋转或棱柱）和任意数量的自由度的机器人，并且可能在过程中包括任意形状的障碍物，而无需借助简化模型。应用示例说明了该方法的潜力。
通过脑电图诱导的机械臂自主游戏教学...
摘要 — 本文讨论了一个简单的室内游戏，玩家必须将球穿过固定在可变云台平台上的环。这项研究的动机是通过机械臂学习有经验的玩家的游戏动作，以便随后由机器人训练年幼的儿童（受训者）。机器人学习玩家在不同游戏状态下的游戏动作，这些动作由环的云台方向及其相对于玩家的径向距离决定。有经验的玩家/专家的动作由六个参数定义：玩家右臂的三个连接坐标和给定投掷中球的三维速度。这里采用强化学习来调整概率学习自动化的状态动作概率矩阵，该矩阵基于玩家因成功（或失败）将球穿过给定环而获得的奖励（或惩罚）分数。混合脑机接口 (BCI) 用于检测玩家游戏动作中的失败，通过在运动执行后自然唤醒错误相关电位 (ErrP) 信号，由运动想象指示。在运动想象后没有 (存在) ErrP 的情况下，系统认为玩家的尝试是成功 (失败)，从而根据各个游戏实例的成功/失败调整学习自动机中的概率。在状态动作概率矩阵收敛后，将其用于规划，其中选择与自动机中给定状态下最高概率相对应的动作进行执行。机器人可以使用具有收敛概率分数的学习自动机自主地训练儿童游戏。进行的实验证实，当环放置在距离机器人 4 英尺的中等距离时，机器人手臂在运动执行阶段的成功率非常高 (超过 90%)。索引词——脑机接口、强化学习、游戏、事件相关电位、事件相关去同步/同步。
干扰对机械臂皮层内脑机接口控制的影响 1
无干扰 主要任务在没有任何次要干扰的情况下完成。 背景噪音 受试者收听带有餐厅背景噪音的音轨，音量恒定。 计数音调 以可变的时间间隔随机向受试者呈现低、中、高频音调的哔哔声。指示受试者在整个试验过程中增加高哔哔声的次数，减去低哔哔声的次数，并大声计数值。 以三为单位倒数 研究人员生成一个随机的三位数，指示受试者从生成的数字开始大声以三为单位倒数。 随意交谈 向受试者提问（从不重复）以模仿正常对话。示例问题包括： 你的周末过得怎么样？ 你昨天看了电影吗？ 运动任务受试者 P1，轮椅操作：受试者的电动轮椅在试验期间关闭。受试者每 10 秒收到一次听觉提示，以改变她施加在下巴操纵杆上的力的方向。她在整个试验过程中都施加了力。方向从随机的起始方向（上、下、左、右）顺时针移动。
通过大脑接口控制的机械臂
由于受试者 1 得分为 100%，因此他被选中来测试机械臂运动学。使用 3 个不同的物体进行测试，两个直径不同的泡沫球和一个 20 毫米高的塑料圆柱体。下表 3、4 和 5 中的结果与手臂将物体移动到所需点的成功率有关。可以观察到，对于该项目，直径较小的泡沫球的成功率更高，约为 93%。在一些案例中观察到的一个问题是机械臂无法安全地携带或握住物体，导致物体在运输过程中掉落或滚动。对于圆柱体来说，这种情况发生的频率较低，因为它具有直底座。直径最大的球会在放置后从握把中滑落并滚出放置地点。
末端执行器轮式机械臂游戏原型
中风患者难以控制上肢，导致他们的动作变得虚弱和无组织。传统疗法旨在重新训练因中风而丧失能力的受试者。正如之前的研究所关注的，具有强烈动机和治疗专注力的受试者往往比不遵循该计划的人恢复得更好。这项研究的重点是通过为用户提供轮式机械臂来训练他们的上肢，从而加强训练。用户将被要求在特定时间内反复将特定物体移动到另一个位置。机器人将帮助用户协助和重新学习他们的运动技能，并提高肌肉力量和协调性。当用户对练习做出积极回应时，训练的结果非常令人信服。大约 86% 的受试者可能更喜欢所提出的系统作为他们的家庭康复系统。方差分析 (alpha 0.05) 表明，受过训练的受试者和未受过训练的受试者在操作轮式机械臂方面没有显着差异。这意味着所提出的系统可靠且用户友好，无需助手即可使用，因此用户可以拥有更大的灵活性并提高恢复运动技能的成就。未来的工作将侧重于中风患者测试，在提高中风康复系统的有效性方面面临更多挑战和障碍。