Compliance in actuation has been exploited to generate highly dynamic maneuvers such as throwing that take advantage of the potential energy stored in joint springs. However, the energy storage and release could not be well-timed yet. On the contrary, for multi-link systems, the natural system dynamics might even work against the actual goal. With the introduction of variable stiffness actuators, this problem has been partially addressed. With a suitable optimal control strategy, the approximate decoupling of the motor from the link can be achieved to maximize the energy transfer into the distal link prior to launch. However, such continuous stiffness variation is complex and typically leads to oscillatory swing-up motions instead of clear launch sequences. To circumvent this issue, we investigate decoupling for speed maximization with a dedicated novel actuator concept denoted Bi-Stiffness Actuation. With this, it is possible to fully decouple the link from the joint mechanism by a switch-and-hold clutch and simultaneously keep the elastic energy stored. We show that with this novel paradigm, it is not only possible to reach the same optimal performance as with power-equivalent variable stiffness actuation, but even directly control the energy transfer timing. This is a major step forward compared to previous optimal control approaches, which rely on optimizing the full time-series control input.

储层计算是一种模拟生物启发的计算模型，用于有效处理时间相关的信号，其光子实现有望结合大规模并行信息处理，低功耗和高速操作。但是，大多数实现，尤其是对于时间延迟储层计算（TDRC）的情况，需要在储层中的信号衰减来实现特定任务的所需系统动力学，通常会导致大量功率在系统之外耦合。我们提出了一种基于集成在谐振腔中的不对称的Mach-Zehnder干涉仪（MZI）的新型TDRC架构，该干涉仪（MZI）允许对系统的存储能力进行调整，而无需光学衰减器块。此外，可以利用这是为了找到总内存能力度量的特定组件的最佳值。我们在时间上的XOR任务上证明了这种方法，并得出结论，这种内存能力重新配置的方式可以实现特定于内存的任务的最佳性能。

在使用蓝噪声谱生产点分布的各种方法中，我们主张使用高斯内核进行优化框架。我们表明，通过明智的优化参数选择，这种方法达到了前所未有的质量，可证明超过了最佳运输（BNOT）方法所达到的最新技术状态。此外，我们表明我们的算法平稳缩放到高维度，同时保持相同的质量，并实现前所未有的高质量高维蓝噪声集。最后，我们显示了自适应采样的扩展。

快速准确地检测该疾病可以大大帮助减少任何国家医疗机构对任何大流行期间死亡率降低死亡率的压力。这项工作的目的是使用新型的机器学习框架创建多模式系统，该框架同时使用胸部X射线（CXR）图像和临床数据来预测COVID-19患者的严重程度。此外，该研究还提出了一种基于nom图的评分技术，用于预测高危患者死亡的可能性。这项研究使用了25种生物标志物和CXR图像，以预测意大利第一波Covid-19（3月至6月2020年3月至6月）在930名Covid-19患者中的风险。提出的多模式堆叠技术分别产生了89.03％，90.44％和89.03％的精度，灵敏度和F1分数，以识别低风险或高危患者。与CXR图像或临床数据相比，这种多模式方法可提高准确性6％。最后，使用多元逻辑回归的列线图评分系统 - 用于对第一阶段确定的高风险患者的死亡风险进行分层。使用随机森林特征选择模型将乳酸脱氢酶（LDH），O2百分比，白细胞（WBC）计数，年龄和C反应蛋白（CRP）鉴定为有用的预测指标。开发了五个预测因素参数和基于CXR图像的列函数评分，以量化死亡的概率并将其分为两个风险组：分别存活（<50％）和死亡（> = 50％）。多模式技术能够预测F1评分为92.88％的高危患者的死亡概率。开发和验证队列曲线下的面积分别为0.981和0.939。

从户外移动到现代城市的室内生活方式越来越越来越大。大型购物中心，室内运动综合体，工厂和仓库的出现正在加速这种趋势。在这种环境中，室内本地化成为必要的服务之一，并且要部署的室内定位系统应该足够可扩展，以覆盖这些室内设施的预期扩展。室内定位最经济和实用的方法之一是Wi-Fi指纹识别，它使用移动设备（例如智能手机）利用广泛部署的Wi-Fi网络，而无需任何修改现有基础架构。传统的Wi-Fi指纹窗格依赖于复杂的数据预/后处理和耗时的手动参数调整。在本文中，我们使用Wi-Fi指纹识别基于经常性神经网络（RNN）提出了基于经常性神经网络（RNN）的分层多建筑和多层室内定位，无需复杂的数据预/后处理并且参数调谐较少。所提出的方案中的RNN以一般到特定的一个（例如，建筑物 - >楼层 - >位置）以顺序方式估计位置，以利用多建筑物和多层环境中定位的分层性质。 ujiindoorloc数据集的实验结果表明，所提出的方案分别估计建筑物和地板，分别具有100％和95.24％的精度，并提供了8.62米的三维定位误差，这优于现有的基于神经网络的基于深度基于神经网络的方案。

无人驾驶飞行器（UAV）是支持各种服务，包括通信的技术突破之一。UAV将在提高无线网络的物理层安全方面发挥关键作用。本文定义了窃听地面用户与UAV之间的链路的问题，该联接器用作空中基站（ABS）。提出了加强学习算法Q - 学习和深Q网络（DQN），用于优化ABS的位置和传输功率，以增强地面用户的数据速率。如果没有系统了解窃听器的位置，这会增加保密容量。与Q-Learnch和基线方法相比，仿真结果显示了拟议DQN的快速收敛性和最高保密能力。

人工智能（AI）将在蜂窝网络部署，配置和管理中发挥越来越多的作用。本文研究了AI驱动的6G无线电访问网络（RANS）的安全含义。尽管6G标准化的预期时间表仍在数年之外，但与6G安全有关的预标准化工作已经在进行中，并且将受益于基本和实验研究。Open Ran（O-Ran）描述了一个以行业为导向的开放式体系结构和用于使用AI控制的下一代架设的接口。考虑到这种体系结构，我们确定了对数据驱动网络和物理层元素，相应的对策和研究方向的关键威胁。