XiaoMi-AI文件搜索系统
World File Search System运动控制
基于分布式触觉传感器的人形机器人的全身多接触运动控制
摘要 - 为了使人形机器人能够在共有的环境中稳健地工作，多接触运动不仅在四肢（例如手脚），而且在四肢的中间区域（例如膝盖和肘部）的中间区域进行接触。我们开发了一种实现这种全身多接触运动的方法，该运动涉及人形机器人在中间区域的接触。可变形的板状分布式触觉传感器安装在机器人四肢的表面上，以测量接触力，而无需显着改变机器人体形。较早开发的多接触运动控制器（专门用于肢体接触）扩展以处理中间区域的接触，并且机器人运动通过反馈控制稳定，不仅使用力/扭矩传感器，还可以使用分布式的触觉传感器来稳定。通过对Dynamics模拟的验证，我们表明，开发的触觉反馈提高了全身多接触运动的稳定性，以防止干扰和环境错误。此外，寿命大小的人形RHP kaleido展示了全身多接触运动，例如向前走，同时通过前臂接触支撑身体，并在坐着的姿势和大腿接触中平衡姿势。
布朗运动控制胶体向上转化纳米颗粒的等离激元增强
摘要：上转换纳米颗粒在现代光子学中至关重要，因为它们能够将红外光转换为可见光。尽管具有重要意义，但它们表现出有限的亮度，这是可以通过将它们与等离子体纳米颗粒结合在一起来解决的关键缺点。等离子体增强的上转换已在干燥的环境中广泛证明，在干燥环境中，向上转换纳米颗粒被固定，但在布朗尼运动与固定化竞争的液体介质中构成了挑战。这项研究采用光学镊子来对单个向上转换纳米颗粒的三维操纵，从而可以探索水中等离子体增强的Upconversion Ploincence。与期望相反，由于金纳米结构的等离子共振，实验显示了上转换发光的远距离（千分尺）和中等（20％）的增强。实验和数值模拟之间的比较证明了布朗运动的关键作用。证明了向上转换纳米颗粒的三维布朗波动如何导致“平均效应”，从而解释了发光增强的幅度和空间扩展。关键字：上转换，等离子体增强，光镊，布朗运动，纳米颗粒
等长最大力量训练后的皮质肌肉连贯性和运动控制适应性
摘要：力量训练 (ST) 可诱导皮质肌肉适应，从而增强力量。ST 会改变主动肌和拮抗肌的激活，从而改变运动控制，即力量产生的稳定性和准确性。本研究通过量化皮质肌肉一致性 (CMC) 以及力量产生的绝对误差 (AE) 和可变误差 (VE)，评估了皮质肌肉通讯和运动控制的变化，该干预为期 3 周，专门用于加强踝关节跖屈 (PF)。在训练前、训练开始后 1 周和训练后进行了脑电图、肌电图和扭矩记录评估。通过最大自主等长收缩 (MVIC)、亚最大扭矩产生、AE 和 VE、肌肉激活和亚最大收缩期间的 CMC 变化来评估训练效果，收缩量为初始和每日 MVIC 的 20%。 MVIC 在整个训练过程中显著增加。对于亚最大收缩，仅在初始扭矩水平下，主动肌激活度随时间降低，而拮抗肌激活度、AE 和 VE 在每个扭矩水平下随时间降低。CMC 不受 MST 的影响。我们的结果表明，神经生理适应在训练后 1 周内就很明显。然而，CMC 不受 MST 的影响，这表明中枢运动适应可能需要更长时间才能转化为 CMC 改变。
等距最大强度训练后的皮质肌肉相干性和运动控制适应
摘要：力量训练（ST）诱导皮质肌肉肌肉适应，从而增强强度。ST改变了激动剂和拮抗肌肉的激活，该激动剂改变了运动控制，即力量产生稳定性和准确性。这项研究通过定量对皮层肌肉相干性（CMC）和绝对（AE）和力的误差（VE）进行定量，评估了皮质肌肉沟通和运动控制的改变，并在3周的最大强度训练（MST）干预过程中，特定地设计了型号的误差（VE）。用脑电图，肌电图和扭矩记录进行评估，在训练启动后1周进行了训练，然后进行了训练。对最大自愿等轴测收缩（MVIC），次最大扭矩产生，AE和VE，肌肉激活，肌肉激活以及CMC次级收缩期间的CMC变化的最大训练效果进行了评估。在整个培训完成期间，MVIC显着增加。对于次最大收缩，激动剂肌肉激活仅在初始扭矩水平时随时间降低，而拮抗剂肌肉激活，AE和VE随着时间的流逝，每个扭矩水平都会降低。cmc仍然没有MST的改变。我们的结果表明，训练后1周，神经生理适应很明显。然而，CMC仍然没有MST的改变，这表明中央运动适应可能需要更长的时间才能翻译成CMC改变。
Robodexvlm：视觉语言模型模型的任务计划和灵活机器人操纵的运动控制
摘要 - 本文介绍了Robodexvlm，这是一个用于机器人任务计划的创新框架，并掌握了配备灵敏手的协作操纵器的检测。以前的方法着眼于简化且有限的操纵任务，这些任务通常忽略了以长期培训方式抓住各种对象相关的复杂性。相比之下，我们提出的框架利用灵巧的手能够抓住不同形状和大小的对象，同时根据自然语言命令执行任务。所提出的方法具有以下核心组件：首先，设计了一个具有任务级恢复机制的稳健任务计划器，该机制设计了视觉语言模型（VLMS），这使系统能够解释和执行长序列任务。第二，基于机器人运动学和正式方法提出了语言引导的灵活掌握感知算法，该方法是针对带有多种物体和命令的零摄像的灵巧操作量身定制的。全面的实验结果验证了Robodexvlm在处理长层场景和执行灵巧抓握方面的有效性，适应性和鲁棒性。这些结果突出了该框架在复杂环境中运行的能力，展示了其进行开放式灵巧操作的潜力。我们的开源项目页面可以在https://henryhcliu.github.io/robodexvlm上找到。
社论：基于脑机接口的认知和运动控制可改善老年人的健康和福祉
本社论总结了前沿研究主题“基于脑机接口的认知和运动控制，以改善老年人的健康和幸福感”的贡献，该主题由《人类神经科学前沿》（脑机接口部分）、《神经人体工程学前沿》（消费者神经人体工程学部分）和《神经科学前沿》（神经技术部分）期刊设立。每个人都会经历衰老过程，并经历与身体和健康变化相关的经历，其中包括但不限于记忆力和大脑功能的变化。这些变化可能会使人衰弱，因为随着年龄的增长，人们的依赖性会增加。许多工程工具和神经科学突破已被用于协助这些人的日常生活活动，或增强、恢复和改善许多与年龄相关的变化的影响。基于侵入式和非侵入式脑机接口 (BCI) 的认知和运动控制等新兴技术为改善老年人的健康和幸福感提供了机会。这些外部方法可以帮助老年患者改善运动功能（例如中风幸存者）并诱导和/或促进与运动康复相关的神经可塑性变化，帮助看护者和家庭成员更好地与这些患者沟通，帮助医疗保健专业人员更好地监测和检测患者健康状况的变化。尽管过去几十年来，BCI 领域取得了长足进步，但仍然缺乏可供技术监督较少的个人使用的家庭 BCI 应用的硬件和软件解决方案的开发。此外，用户友好、可穿戴、便携和无线的 BCI 应用以及更多的纵向神经科学研究对于了解 BCI 应用如何改善老年人的生活质量至关重要。这篇社论将介绍本研究主题中的五篇论文。这些论文涉及 BCI 在改善老年人健康和福祉方面的不同方面。正如将要总结的那样，介绍了生物信号处理方法和解码算法的几项创新，这些创新减轻了衰老对人类大脑的影响，并丰富了老年人和机器之间的相互作用。为了协助认知支持，
深度学习技术用于人类计算机互动中的手势识别和运动控制
摘要。随着科学和技术的快速发展，人力计算机的互动已成为一个引起极大兴趣的领域。深度学习是人工智能的重要技术，近年来在人类计算机互动领域取得了重大进展。本论文专门研究在手势识别和运动控制的应用中对人类计算机相互作用中深度学习技术的研究。首先，引入了深度学习的基本原理和手势识别和运动控制的背景知识。然后，它讨论了该领域深度学习模型的优势以及当前的挑战。根据理论分析，本文提出了基于深度学习技术的手势识别和运动控制方法。通过实验证明了该方法的有效性和实用性。研究结果表明，深度学习技术在手势识别和行动控制中具有巨大的潜力，这为人类计算机交互领域带来了新的可能性，并且在促进人类计算机交互技术的发展方面具有重要意义。
钢琴课1年后，良好的运动控制改善了老年人：分析个体发展及其与认知和brai
学习弹钢琴是运动技能获取的一种复杂形式，这是一个过程，通过重复练习，运动或运动序列逐渐优化。最终，该技能变得自动化，也就是说，它可以毫不费力地执行，即使没有中间性能，随着时间的推移，它的特征是相当稳定（Doyon＆Benali，2005）。Doyon等人介绍了两个互补的，高度影响力的运动序列学习模型。（2003，2009，2018）和Penhune and Steele（2012）。在这些模型中，假定运动序列学习是在不同的阶段出现的，包括平行和相互作用的过程（Ackerman，1988; Doyon等，2009; Hikosaka et al。，2002; Penhune＆Steele，2012）。尽管在第一个快速学习阶段观察到了绩效的快速改善，但随后的慢速学习阶段的特征是渐近函数向最佳的个体表现发展（Doyon等，2003）。在早期学习期间，在纹状体中处理的明确信息（由壳核[put]和尾状核组成），例如序列顺序，被认为起着至关重要的作用。addion，此阶段受到招募区域（例如，主要运动皮层[M1]和补充运动区域），前额叶区域，边缘结构（例如海马室）以及小脑对误差校正（doyon et al al al al al al al al al al al al al al e al a e al e al e al）的招募。因此，运动变得合并，高度优化并越来越自动化。已建议，在缓慢的学习阶段，隐式过程占主导地位，并且性能主要取决于纹状体和小脑在块状运动中的参与和开发内部模型（Penhune＆Steele，2012年）。在此阶段，据信获得的技能被认为是在分布式网络中的长期编码，包括电动机和顶叶皮质区域以及可能的纹状体（Doyon等，2009; Penhune＆Steele，2012）。不幸的是，尽管认知和感觉运动能力密切相关（Li＆Lindenberger，2002年），但这两个模型都没有揭示出认知过程在运动学习中的作用。
内在体感反馈支持运动控制和学习操作人造身体部位
摘要 目的 人们投入了大量资源，通过提供非自然形式的体感反馈来增强假肢的控制和可用性。在本文中，我们研究了远程控制假肢的身体部位的内在体感信息是否可以被运动系统利用来支持控制和技能学习。 方法 在安慰剂对照设计中，我们使用局部麻醉来减弱大脚趾的体感输入，同时参与者学习通过压力传感器操作脚趾控制的手动佩戴的机器人额外手指。将运动学习结果与接受假麻醉的对照组进行比较，并在三种不同的任务场景中进行量化：与生物手指隔离操作、同步协调操作和协作操作。 主要结果 两组都能够学会操作机器人额外手指，大概是因为视觉反馈和其他相关的感官提示非常丰富。重要的是，远端身体控制器提供的位移体感提示有助于获得独立的机器人手指运动、保持和转移同步手部机器人协调技能以及在认知负荷下的表现。当任务涉及与生物手指的密切协作时，脚趾麻醉不会损害运动表现，这表明运动系统可以通过动态整合来自多个甚至远端身体部位的任务内在体感信号来弥补感觉反馈差距。意义总之，我们的研究结果表明，除了人工刺激之外，还有多种自然途径可以提供内在替代体感信息来支持对人造身体部位的运动控制。
失去手部后的同侧重新映射是否会影响完整手部的运动控制？
1 剑桥大学 MRC 认知与脑科学部，剑桥 CB2 7EF，英国；2 伦敦大学学院认知神经科学研究所，伦敦 WC1N 3AZ，英国；3 西部大学统计与精算科学和计算机科学系，伦敦，安大略省 N6A 5B7，加拿大；4 牛津大学纽菲尔德临床神经科学系 WIN 中心，牛津 OX3 9DU，英国；5 哈佛医学院神经生物学系，波士顿，马萨诸塞州 02115；6 玛丽女王医院，伦敦 SW15 5PN，英国；7 卡迪夫大学心理学院 CUBRIC，卡迪夫 CF24 4HQ，英国；8 伦敦大学皇家霍洛威学院，埃格姆 TW20 0EX，英国；9 西部大学大脑与思维研究所，伦敦，安大略省 N6A 3K7，加拿大