XiaoMi-AI文件搜索系统
World File Search System选择目标
对机器人抓手的机械设计进行了调查，该机器人使用低成本传感器进行了智能控制，并随着行业4.0的出现，有一个
对机器人抓手的机械设计进行了调查，该机器人使用低成本传感器随着行业4.0的出现而进行了智能控制，越来越需要智能和自动化的机器人系统，能够在未知的环境中执行复杂的任务。这项工作着重于用于机器人抓手的机械设计的开发，以及使用FANUC机器人平台选择目标的智能操作。所提出的方法结合了抓手，高级运动控制技术的计算力学以及握把控制策略，以使机器人臂能够准确有效地识别并选择目标对象。为了验证我们的方法，在各种情况下进行了几项实验验证。据认为，拟议的工作是可行的，有效且适用于广泛的工业应用的。关键字：机器人抓手，机械设计，智能控制，拾音器和位置，运动控制。1。引言近年来，工业机器人已成为现代制造工艺的整体部分，从而实现了有效的生产和精确的自动化[1，2]。尤其是，以其机器人和多功能性而闻名的工业机器人部门在各个工业领域都具有显着的突出性。其功能的一个关键方面是成功地操纵对象，尤其是在选择[3，4]和放置目标[5-7]等任务中。机器人抓手的机械设计是直接影响目标拾取成功的关键因素[12-14]。众多研究集中在手工握手的技术规范上[8，9]以及智能操纵技术的整合[10，11]，用于使用工业机器人系统的精确选择目标。的确，机器人抓手在安全抓住目标对象方面发挥了关键作用，而英特尔 - 连接的操纵技术增强了机器人臂的每 /形式的高度，以适应各种特征 - 包括形状，大小和尺寸和Orien- tations对象的特征。此抓手必须具有处理各种物体类型的多功能性，涵盖了从精致的物品到重组件。它应该提供安全，稳定的抓握动作，同时最大程度地减少对目标对象或机器人组本身损坏的风险。考虑到这些要求，改进的抓地力设计可以显着提高采摘过程的整体性能和效率。
战争游戏简介
三十五年前，美国心理学家米哈伊·契克森米哈伊 (Mihály Csíkszentmihályi) 发现，游戏让我们努力工作，同时也给我们带来了快乐，这催生了幸福科学。契克森米哈伊写道，在这种高度结构化、自我激励的艰苦工作中，我们经常获得人类所能获得的最大幸福：与周围世界的强烈、乐观的互动。我们感到充满活力，充满潜力和目标——换句话说，我们作为人类完全被激活了。当然，在游戏之外也可以实现这种极端的激活。但契克森米哈伊的研究表明，心流最可靠、最有效的产生方式是特定组合的自我选择目标、个人优化障碍和持续反馈，这些构成了游戏的基本结构。“游戏是心流的明显来源，”他写道，“而玩耍是心流体验的典范。”
日本医学生物工学会甲信越支部长野地区
有。当进行EMD时，测得的EEG波形根据波形不同可以达到IMF3，甚至IMF4。从 IMF2 开始的所有添加的波形都使用以下方法进行区分。本实验对Fz、Cz、Pz三个电极进行EMD分析，对四个选项分别比较IMF中P300分量的幅值，输出并统计幅值最大的选项。然后将最受欢迎的选项确定为受试者选择的菜单。 3.结果表1显示了所有受试者的两级菜单选择实验的结果。括号内的刺激为目标刺激，括号左边的刺激为选择刺激。目标刺激和选定刺激匹配的情况显示为黄色。受试者 A 能够在任务 2 和 3 中选择第二层和第三层中的目标刺激。受试者B能够在任务1和4中选择目标刺激，并且能够区分第一层级中的所有目标。受试者 C 在所有试验中都能够区分两个层级。
Maya：利用形式控制来混淆电力侧通道
由于信息通过功耗泄露，计算机的安全面临风险。攻击者可以使用高级信号测量和分析从此侧信道恢复敏感数据。为了解决这个问题，本文介绍了 Maya，这是一种简单有效的电源侧信道防御方法。其理念是使用形式控制以应用程序透明的方式重新塑造计算机消耗的功率——防止攻击者了解正在运行的应用程序的任何信息。借助形式控制，即使运行时条件发生不可预测的变化，控制器也可以可靠地将功耗保持在接近所需目标函数的位置。通过智能地选择目标函数，控制器可以使功率遵循任何所需的形状，看似携带活动信息，但实际上与应用程序无关。Maya 可以在特权软件、固件和硬件中实现。我们在三台机器上仅使用特权线程来抵御基于机器学习的攻击，并展示了其有效性和易于部署性。Maya 已经挫败了新开发的远程电源攻击。
GIMIS：通过运动想象选择进行凝视输入
在 Fitts 定律实验中，开发了一种混合凝视和脑机接口 (BCI) 来完成目标选择。该方法 GIMIS 使用凝视输入来控制计算机光标以指向目标，并通过 BCI 使用运动意象 (MI) 执行点击以选择目标。一项实验 (n = 15) 比较了三种运动意象选择方法：仅使用左手、使用腿以及使用左手或腿。后一种选择方法（“任一”）具有最高的吞吐量（0.59 bps）、最快的选择时间（2650 毫秒）和 14.6% 的错误率。随着目标宽度的增加，瞳孔大小显著增加。我们建议使用大目标，这显著降低了错误率，并使用“任一”选项进行 BCI 选择，这显著提高了吞吐量。与停留时间选择相比，BCI 选择速度较慢，但如果凝视控制正在恶化，例如在 ALS 疾病的晚期阶段，GIMIS 可能是一种逐步引入 BCI 的方法。
药物设计、发现和开发及其对人体的安全性或有效性
开发一种新药，从最初的设想到最终产品上市是一个复杂的过程，可能需要 12-15 年的时间，花费超过 10 亿美元。目标的想法可以来自各种来源，包括学术和临床研究以及商业部门。在为昂贵的药物发现计划选择目标之前，可能需要花费很多年的时间才能积累大量支持证据。一旦选定了目标，制药行业以及最近的一些学术中心就会简化一些早期流程，以识别具有合适特性的分子，从而制造出可接受的药物 [1]。药物开发和发现包括基于细胞和动物模型的临床前研究以及人体临床试验，最后进入获得监管部门批准以销售药物的步骤。现代药物发现涉及筛选目标的识别、药物化学和优化这些目标，以提高亲和力、选择性（以降低副作用的可能性）、功效/效力、代谢稳定性（以增加半衰期）和口服生物利用度。一旦确定了满足所有这些要求的化合物，它将在临床试验之前开始药物开发过程 [2]。
![arXiv:1905.04210v2 [cs.AI] 2020 年 2 月 14 日](/simg/1\1c7674a20e850a75c8ef4f07c3e06bef37ed2e23.png)
arXiv:1905.04210v2 [cs.AI] 2020 年 2 月 14 日
目标识别作为规划（Ram´ırez 和 Geffner 2009；Ram´ırez 和 Geffner 2010）的任务是从给定一系列观察、初始状态和观察下的代理的行为模型的一组假设中识别实际目标。目标识别作为规划的方法利用高效的规划技术和启发式信息来开发越来越准确和更快的目标识别方法。大多数方法根据比较最佳计划的成本和受约束以遵守或避免观察的计划的成本的指标来选择目标。这些方法在计算或近似这些成本的方式上有所不同。虽然有些方法使用规划器计算这些成本（Ram'ırez 和 Geffner 2009；Ram'ırez 和 Geffner 2010），但其他方法使用启发式函数的复杂结构来近似它们（E-Mart'ın、R.-Moreno 和 Smith 2015；Vered 等人2018），或者尝试通过在动作描述中引入权重来明确应对缺失和嘈杂的观察（Sohrabi、Riabov 和 Udrea 2016）。相比之下，最近的研究（Pereira、Oren 和 Meneguzzi 2017）引入了识别启发式方法，使用来自规划实例结构的信息来从一组目标假设和观察中识别实际目标。他们都试图平衡速度
北美家鼠快速气候适应和平行进化的基因组学
不同种群在相似的选择压力下，基因型和表型的平行变化提供了令人信服的适应性证据。家鼠（Mus musculus domesticus）最近定居在北美，生活在各种各样的环境中。在这里，我们测量了从北美西部纬度 21˚ 的五个种群中采样的家鼠的表型和基因型分化，并将我们的结果与北美东部的平行纬度梯度进行了比较。首先，我们表明小鼠在横断面之间在基因上存在差异，这表明它们在北美东部和西部的类似环境中独立定居。接下来，我们发现西部横断面两端的小鼠在体重和筑巢行为方面存在遗传差异，这与东部横断面的差异相似，表明表型发生了平行变化。然后，我们进行全基因组选择扫描和全基因组关联研究，以确定选择目标和体重候选基因。我们发现一些基因组特征是每个横断面所独有的，表明种群对选择的反应是特定的。然而，东部和西部家鼠横断面中受选择的基因之间存在显著的重叠，这证明了在北美地区相似的选择压力下，基因进化是平行的。
基于 DO-178C/DO-331 的精益、高度自动化的基于模型的软件开发流程
摘要 — 城市空中交通和无人机系统全球市场的兴起吸引了世界各地的许多初创企业。这些组织在民航用于开发软件和电子硬件的传统流程方面几乎没有接受过培训或经验。他们还受到资源限制，无法分配给专业团队遵循这些标准化流程。为了填补这一空白，本文提出了一种自定义工作流程，该工作流程基于从安全关键软件基础标准 DO-178C/DO-331 派生的一组目标。从标准中选择目标是基于特定目标的重要性、自动化程度和可重用性。该自定义工作流程旨在建立精益且高度自动化的开发生命周期，从而为研究和原型飞机提供更高质量、可维护性更好的软件。它还可以作为某些应用软件（如无人机系统、城市空中交通和通用航空）的合规手段。通过生成必要的开发和验证工件集，自定义工作流程还为未来符合 DO-178C/DO-331 的潜在认证提供了可扩展的基础。自定义工作流程在自动驾驶仪手动断开系统案例研究中得到演示。索引术语 —DO-178C、DO-331、软件保证、安全关键系统、精益软件开发、基于模型的开发、需求管理、敏捷开发
基于强化学习的分散武器 -
多次无误攻击是饱和和克服导弹防御系统的最简单方法之一。为了提高针对此类攻击者群体的拦截效率，有必要根据其运动学局限性分配拦截器。此外，这样的分配方案必须是可扩展的，以应对大型方案并允许动态重新分配。在本文中，我们首先提出了这种武器目标分配（WTA）问题的新表述，并提供了使用加固学习（RL）以及贪婪的搜索算法来解决它的分散方法。从每个追随者与所有目标的角度考虑参与。同时，其他拦截器与目标群体相关，而其他团队成员则可以使用其分配和成功概率。为了改善中途轨迹的塑造，在追随者和进来的对手之间放置了静态虚拟目标。每个拦截器根据从计算有效的仿真环境中的大量场景中学到的策略动态选择目标。RL输入状态包含目标的拦截器达到性覆盖范围以及其他导弹成功的概率。RL奖励汇总了团队绩效，以鼓励在分配层面上进行合作。相关的可及性约束是通过采用拦截器运动的运动学近似来分析获得的。RL的使用确保所有拦截器的实时可扩展和动态重新分配。我们将基于RL的分散WTA和指导方案与贪婪解决方案的性能进行比较，显示了RL的性能优势。