数字电视的转变正在将电视机变成一种娱乐和信息供应设备,提供与观众的双向通信。然而,目前的遥控设备不适合浏览未来数字电视提供的大量服务和信息,大概也是一种访问互联网的设备。应对电视观众所需的复杂信息导航的一种可能性是增强目前电视可用的交互工具。本文研究了两种增强方法:将纸质电视指南与数字电视连接起来,并通过语音交互增强遥控器。增强纸质电视指南是一种基于将纸质电视指南集成到计算技术的未来研究方法。该解决方案提供了交互式纸质电视指南,它还可以用作电视的遥控器。开发了一个原型系统,并进行了探索性研究来研究这种方法。这些研究表明将纸质电视指南集成到电视机中的好处。它们还揭示了为家庭信息系统提供创新解决方案的潜力。将熟悉的物理制品(如纸和笔)集成到电视技术中,可以轻松访问通常由 PC 和互联网提供的信息服务。因此,电视所需的相同增强功能
摘要 — 人类遥控 (RC) 飞行员能够仅使用第三人称视角视觉感知来感知飞机的位置和方向。虽然新手飞行员在学习控制遥控飞机时经常会遇到困难,但他们可以相对轻松地感知飞机的方向。在本文中,我们假设并证明深度学习方法可用于模仿人类从单目图像感知飞机方向的能力。这项工作使用神经网络直接感知飞机姿态。该网络与更传统的图像处理方法相结合,用于飞机的视觉跟踪。来自卷积神经网络 (CNN) 的飞机轨迹和姿态测量值与粒子滤波器相结合,可提供飞机的完整状态估计。介绍了网络拓扑、训练和测试结果以及滤波器开发和结果。在模拟和硬件飞行演示中测试了所提出的方法。
未经同行评审认证)是作者/资助者。保留所有权利。未经许可不得重复使用。此预印本的版权所有者(此版本于 2020 年 4 月 28 日发布。;https://doi.org/10.1101/2020.04.26.062703 doi:bioRxiv preprint
近年来,随着机器人应用领域的不断拓展,智能机器人在越来越多的领域为人类服务。对于一些环境复杂、条件恶劣或者具有一定危险性的工作场所,通常需要通过远程控制来操作机器人完成相应的任务。此外,机器人的自主性也十分重要。在机器人自主性的研究中,自主导航是主要的研究方向之一,而SLAM一直是自主导航领域的重要研究课题[1]。视觉SLAM就是借助摄像头,为机器人针对未知环境构建地图。与激光SLAM相比,视觉传感器或摄像头具有视觉信息丰富、硬件成本低廉等优势,是近来SLAM的研究热点[2]。同时,SLAM
在特定区域选择性释放药物将使许多科学和医学领域受益。通过聚焦超声(远程应用的深度穿透能量)激活的纳米颗粒药物载体可提供此类选择性干预。在这里,我们开发了稳定的、超声响应的纳米颗粒,可用于在非人类灵长类动物中有效和安全地释放药物。纳米颗粒用于在深层大脑视觉区域释放丙泊酚。释放可逆地调节受试者的视觉选择行为,并且特定于目标区域和释放的药物。钆增强 MRI 成像显示血脑屏障完好无损。血液抽取显示正常的临床化学和血液学。总之,这项研究提供了一种安全有效的方法,可以在选定的深层大脑区域按需释放药物,其剂量足以调节行为。
在特定区域选择性释放药物将使许多科学和医学领域受益。聚焦超声激活的纳米颗粒药物载体(远程应用的深度穿透能量)可以提供此类选择性干预。在这里,我们开发了稳定的超声响应纳米颗粒,可用于在非人类灵长类动物中有效安全地释放药物。纳米颗粒用于在深层大脑视觉区域释放丙泊酚。释放可逆地调节受试者的视觉选择行为,并且特定于目标区域和释放的药物。钆增强磁共振成像显示血脑屏障完好无损。抽血显示临床化学和血液学正常。总之,这项研究提供了一种安全有效的方法,可以在选定的深层大脑区域按需释放药物,其水平足以调节行为。
图 1. 超声触发非人类灵长类动物深部脑区纳米粒子载体的药物释放。A) 概念。远程应用聚焦超声能够选择性地从纳米粒子载体中释放药物,特别是在其焦点处。B) 纳米粒子配方。纳米粒子由高沸点的全氟碳 (PFC)——全氟辛基溴化物组成。全氟辛基溴化物赋予纳米粒子高稳定性和生物安全性 [20-22]。纳米粒子使用聚乙二醇/聚乳酸共聚物基质进一步稳定。C) 执行任务的 NHP 深部脑回路中的超声控制释放。256 元件超声换能器阵列 [25,26] 以编程方式将超声波传送到 NHP 的深部脑区,从而能够在特定脑区选择性释放药物。该阵列安装在植入的头柱中,以确保换能器相对于头部在每次治疗中的可重复定位。 D) 视觉选择任务。一个目标出现在屏幕左侧,另一个出现在屏幕右侧,两个目标之间有短暂的、可控的延迟。受试者看向首先出现的目标。E) 使用 MRI 测温法验证超声对左侧和右侧外侧膝状体 (LGN) 的定位。F) 大脑半球特定表示。左/右 LGN 将有关右/左视觉半场的视觉信息传递到初级视觉皮层。G) 3 分钟基线 (棕色) 和右侧 LGN 中释放异丙酚 (红色) 后 3 分钟期间的心理测量曲线示例。数据采用 S 形曲线拟合。此后,释放后的选择偏差被量化为在基线期间建立的同等偏好点的选择比例 (黑色箭头)。