XiaoMi-AI文件搜索系统
World File Search System灵巧的
使用人类运动词典的手机操纵计划
摘要 - 灵巧的手工操纵是一种独特而有用的人类技能。这种能力需要许多感官和手动的协调，以遵守许多约束。这些约束变化，可以受对象特征或特定应用的影响。机器人平台实现可靠的手动操纵技能的关键要素之一是能够将这些约束整合到其运动世代中。这些约束可以通过经验或人类示范进行隐式建模，学习。我们提出了一种基于运动原始词典的方法，以学习和复制手持操纵技巧。尤其是在操纵过程中，我们专注于指尖运动，并定义了一个优化过程来构造运动原始图，以达到特定的指尖配置。这项工作的结果表明，所提出的方法可以产生与人类相干的操纵运动，并且即使没有明确的形式化也可以继承操纵约束。
dreureka：语言模型指导SIM到现实传输
摘要 - 在模拟到现实世界中学到的传递政策是一种大规模获取机器人技能的有前途的策略。但是，SIM到实现的方法通常依赖于手动设计和任务奖励函数的调整以及模拟物理参数，从而使过程缓慢而人类限制。在本文中，我们使用大型语言模型（LLM）进行调查以自动化并加速模拟设计。我们的LLM引导的SIM到运行方法仅需要目标任务的物理模拟，并自动构建合适的奖励功能和域随机分布以支持现实世界传输。我们首先证明我们的方法可以发现SIM到真实的配置，这些配置与四倍的运动和灵巧的操纵任务上现有的人类设计的配置具有竞争力。然后，我们展示了我们的方法能够解决新颖的机器人任务，例如不迭代手动设计的瑜伽球上四倍的平衡和行走。
MoDex：通过学习神经手模型规划高维灵巧控制
摘要 — 在高维动作空间中控制双手一直是一个长期挑战，但人类天生就能轻松地完成灵巧的任务。在本文中，我们从人类具身认知中汲取灵感，重新将灵巧手视为可学习的系统。具体来说，我们介绍了 MoDex，这是一个采用神经手部模型来捕捉手部运动动态特征的框架。基于该模型，开发了一种双向规划方法，该方法在训练和推理方面都表现出了很高的效率。该方法进一步与大型语言模型相结合，以生成各种手势，例如“剪刀手”和“摇滚乐”。此外，我们表明，将系统动力学分解为预训练手部模型和外部模型可以提高数据效率，理论分析和实证实验都支持这一点。更多可视化结果可在 https://tongwu19.github.io/MoDex 获取。
健康与社会护理|单元1：A2影响增长的因素...
生命阶段=每个人都经过特征的生活的不同阶段=在特定生活阶段典型的事物p.i.e.s =身体，智力，情感，社交，社交成长=描述身高和体重发展的身体大小的增加=涉及获得新的技能和能力，从而使骑自行车分类 - 涉及骑行性的范围 - 涉及骑行型的范围 - 涉及多种型号的范围 - 涉及多个范围的变化=涉及范围的变化，使其成为了众所周知的复杂性，使得众所周知的复杂性涉及对年龄的变化，再现更年期 - 停止月经（时期）移动性=使用总运动技能灵巧的使用=使用精细运动技能的使用=在环境中感到快乐=一个人对自己的自我形象的感觉
@inproceedings{vogel2020edan，title={EDAN：一种由 EMG 控制的日常助手，帮助身体残疾人士}，作者={Vogel, J{\"o}rn 和 H
摘要 — 受伤、事故、中风和其他疾病会严重降低人们执行日常生活中哪怕最简单活动的能力。这些病例中很大一部分涉及神经肌肉疾病，导致肌肉功能严重下降。然而，即使受影响的人不再能够移动他们的四肢，残留的肌肉功能仍然存在。之前的研究表明，这种残留的肌肉活动足以应用基于 EMG 的用户界面。在本文中，我们介绍了 DLR 的机器人轮椅 EDAN（EMG 控制的日常助手），它配备了扭矩控制的八自由度轻型手臂和灵巧的五指机械手。使用肌电图，可以测量、处理用户的肌肉活动，并利用它们来控制轮椅和机器人操纵器。这种基于 EMG 的界面通过共享控制功能得到增强，可以实现与环境的有效和安全的物理交互。
用一只手抓住多个对象
摘要 - 人手的错综复杂的运动学能够同时抓握和操纵多个对象，这对于诸如对象传递和手持操作等任务必不可少。尽管具有重要意义，但机器人多对象抓握的领域是相对尚未探索的，并且在运动学，动力学和对象配置方面面临着显着的挑战。本文介绍了Multigrasp，这是一种新型的两阶段方法，用于在桌面上使用灵巧的多指机器人手抓住多物体。该过程包括（i）生成pre-grasp提案，以及（ii）执行掌握和提起对象。我们的实验重点主要是双对象抓地力，达到了44.13％的成功率，突出了对新对象配置的适应性和不精确的掌握能力。此外，该框架证明了以推理速度为代价的两个以上对象的潜力。
通过基于课程的强化学习获得肌肉骨骼技能
运动控制是协调肌肉产生复杂运动的艺术，是生物智能的奇迹。从芭蕾舞演员的优雅舞蹈到灵巧的物体，这些动作是大脑在掌握运动任务中众多自由度的能力的证明（1-4） - 这可能需要多年的培训和教练来掌握，涉及熟练和隐含的技能学习（5，6）。然而，了解大脑如何实现熟练行为仍然是神经科学中的基本挑战之一。虽然已经取得了显着的进步，但大部分研究已被确定为相对简单的行为任务（5-7）。此外，运动控制和学习的计算建模通常仅限于简化的肌肉骨骼系统模型（例如，（8 - 11））。由于这些实验和计算局限性，更复杂的技能（例如灵巧对象操纵）的复杂性在很大程度上仍未知明。
使用Motoneuron放电信息同时估算手指屈曲和延伸力
摘要 - 目的：可靠的神经机界界面提供了控制高敏捷的高级机器人手的可能性。这项研究的目的是开发一种解码方法，以同时估计单个手指的屈曲和延伸力。方法：首先，通过表面肌电图（EMG）分解确定了电动机（MUS）发射信息，并将MUS进一步分为不同的池中，以通过细化程序屈曲和扩展单个手指。MU发射速率，然后通过双变量线性回归模型（神经驱动方法）估算单个手指力。基于常规EMG振幅的方法被用作比较。结果：我们的结果表明，与常规方法相比，神经驱动方法的性能明显更好（估计误差和较高的相关性）。结论：我们的方法为灵巧的手指运动提供了可靠的神经解码方法。的意义：进一步探索我们的方法可能会提供强大的神经机界面，以直观地控制机器人手。
使用运动单位放电信息在手指屈曲和延伸过程中的灵活力估计
摘要 - 随着高级机器人手的发展，可靠的神经机界面对于充分利用机器人的功能灵活性至关重要。在这项初步研究中，我们开发了一种新的方法，可以在灵巧的手指屈曲和伸展过程中连续和同时估计单个手指的等距力。具体而言，分别从手指伸肌和屈肌记录的表面高密度肌电图（EMG）信号中提取运动单元（MU）排放活性。MU信息被分为不同的组，与单个手指的屈曲或伸展相关，然后在多手指屈曲和扩展任务期间用于预测单个手指力。与常规EMG振幅方法相比，当使用线性回归模型时，我们的方法可以获得更好的力估计性能（预测力和测量力之间的较高相关性和较小的估计误差）。对我们方法的进一步探索可以潜在地提供强大的神经机界面，以直观地控制机器人手。
微电子研究所提供的博士项目列表（...
该项目将利用“边缘纳米系统”计划中开发的功能。这项工作旨在利用和扩展微电子技术的功能，以创建新一代先进芯片，用于探测微电子技术提供的大规模生物现象。学生将致力于创建先进结构，与悬浮在流体中的粒子相互作用，以实现不同的功能，包括对粒子/细胞进行灵巧的位置控制以及表征单粒子质量。这些先进的工具既可用于基础研究，也可用于食品/营养加工，包括在短时间内对大量粒子/细胞进行统计映射。该项目的成果和能力将有助于推动微电子技术的未来，包括渗透到生物制剂等重要的新兴应用中，为真正的跨学科工作创造一个强大的平台。 Navab Singh 博士