行动调速器是标称控制循环的附加方案，该方案监视和调整控制措施以强制执行以端加状态和控制约束表示的安全规范。在本文中，我们介绍了系统的强大动作调速器（RAG），该动力学可以使用具有参数和加法不确定性的离散时间分段仿射（PWA）模型来表示，并受到非convex约束。我们开发了抹布的理论属性和计算方法。之后，我们介绍了抹布来实现安全加强学习（RL），即确保在线RL勘探和探索过程中的历史约束满意度。该开发使控制策略的安全实时演变和适应操作环境和系统参数的变化（由于老化，损坏等）。我们通过考虑将其应用于质量 - 弹簧式抑制系统的软地面问题来说明抹布在约束执法和安全RL中的有效性。

一般而言，融合是人类驱动因素和自治车辆的具有挑战性的任务，特别是在密集的交通中，因为合并的车辆通常需要与其他车辆互动以识别或创造间隙并安全合并。在本文中，我们考虑了强制合并方案的自主车辆控制问题。我们提出了一种新的游戏 - 理论控制器，称为领导者跟随者游戏控制器（LFGC），其中自主EGO车辆和其他具有先验不确定驾驶意图的车辆之间的相互作用被建模为部分可观察到的领导者 - 跟随游戏。 LFGC估计基于观察到的轨迹的其他车辆在线在线，然后预测其未来的轨迹，并计划使用模型预测控制（MPC）来同时实现概率保证安全性和合并目标的自我车辆自己的轨迹。为了验证LFGC的性能，我们在模拟和NGSIM数据中测试它，其中LFGC在合并中展示了97.5％的高成功率。

预计自动驾驶技术不仅可以提高移动性和道路安全性，还可以提高能源效率的益处。在可预见的未来，自动车辆（AVS）将在与人机车辆共享的道路上运行。为了保持安全性和活力，同时尽量减少能耗，AV规划和决策过程应考虑自动自动驾驶车辆与周围的人机车辆之间的相互作用。在本章中，我们描述了一种通过基于认知层次理论和强化学习开发人的驾驶员行为建模来开发共用道路上的节能自主驾驶政策的框架。

在本文中，我们引入了一种基于基础架构的传感的移动机器人本地化的固定理论方法。所提出的方法计算设置了在传感器和机器人运动模型上假设已知噪声界限的假设下限制机器人体和方向的设置。我们为这种集合理论定位方法建立了理论属性和计算方法，并说明了其在模拟中的自动化式停车示例以及在现实世界实验中的全向机器人本地化问题中的应用。我们证明，与FastSlam相比，与不确定性设置初始化和传感器噪声相比，设定理论定位方法可以牢固地性能。

The number of international benchmarking competitions is steadily increasing in various fields of machine learning (ML) research and practice. So far, however, little is known about the common practice as well as bottlenecks faced by the community in tackling the research questions posed. To shed light on the status quo of algorithm development in the specific field of biomedical imaging analysis, we designed an international survey that was issued to all participants of challenges conducted in conjunction with the IEEE ISBI 2021 and MICCAI 2021 conferences (80 competitions in total). The survey covered participants' expertise and working environments, their chosen strategies, as well as algorithm characteristics. A median of 72% challenge participants took part in the survey. According to our results, knowledge exchange was the primary incentive (70%) for participation, while the reception of prize money played only a minor role (16%). While a median of 80 working hours was spent on method development, a large portion of participants stated that they did not have enough time for method development (32%). 25% perceived the infrastructure to be a bottleneck. Overall, 94% of all solutions were deep learning-based. Of these, 84% were based on standard architectures. 43% of the respondents reported that the data samples (e.g., images) were too large to be processed at once. This was most commonly addressed by patch-based training (69%), downsampling (37%), and solving 3D analysis tasks as a series of 2D tasks. K-fold cross-validation on the training set was performed by only 37% of the participants and only 50% of the participants performed ensembling based on multiple identical models (61%) or heterogeneous models (39%). 48% of the respondents applied postprocessing steps.

已经提出了多种对抗性攻击，并使用图像和音频数据进行了探索。众所周知，当攻击者可以直接操纵模型的输入时，这些攻击很容易生成，但是在现实世界中实施更加困难。在本文中，我们提出了通用的，对通用时间序列数据的通用时间不变攻击，以便该攻击具有主要由原始数据中存在的频率组成的频谱。攻击的通用性使其快速，易于实现，因为不需要将其添加到输入中，而时间不变性对于现实世界部署很有用。此外，频率约束确保攻击可以承受过滤。我们证明了攻击在两个不同领域的有效性，即语音识别和意外的辐射排放，并表明该攻击对共同的转换和能力防御管道是有力的。

精确和高保真力控制对于与人类和未知环境相互作用的新一代机器人至关重要。移动机器人（例如可穿戴设备和腿部机器人）也必须轻巧才能完成其功能。已经提出了静液压传输，作为满足这两个具有挑战性要求的有前途的策略。在以前的出版物中，结果表明，使用磁性执行器（MR）执行器与静水透射率相结合，可提供高功率密度和出色的开环人类机器人相互作用。尽管如此，传输动力学和非线性摩擦仍会降低低频和高频下的开环力保真度。这封信比较了MR-Hydrstortic执行器系统的控制策略，以增加其扭矩保真度，该扭矩屈服于带宽（测量得出的扭矩参考）和透明度（最小化在机器人背后反射到最终效应器的不需要的力）。开发了四种控制方法并通过实验进行比较：（1）具有摩擦补偿的开环控制； （2）非集中压力反馈； （3）压力反馈； （4）LQGI状态反馈。还实施了抖动策略来平滑球螺钉摩擦。结果表明，方法（1），（2）和（3）可以提高性能，但面临妥协，而方法（4）可以同时改善所有指标。这些结果表明，使用控制方案使用束缚架构来改善机器人的力控制性能的潜力，从而解决了传输动力学和摩擦等问题。

可穿戴机器人受到执行器表演的限制，因为它们必须承担自己的电力系统和能源的重量。本文探讨了利用混合模式通过使用液压阀动态重新配置静液压执行器的连接来利用混合模式以轻巧有效的系统来满足多个操作点的想法。分析的机会包括1）在高度齿轮电源或快速电源之间切换，2）动态连接能量蓄能器，3）使用锁定机制进行固定。基于膝盖外骨骼案例研究分析，结果表明，齿轮比之间的切换可以导致更轻，更有效的执行器。此外，结果表明，使用累加器提供预紧力的连续力具有巨大的质量潜力，但如果用作短瞬态的功率助推器，则不会显着降低质量。最后，如果工作周期频繁停止，使用锁定阀可以稍微降低电池质量。提出的多模式方案的操作原理用一氧化碳原型证明。

超级机器人四肢（SRL）是可穿戴的机器人，通过充当同事，到达物体，支撑人的武器等来增强人类能力。但是，现有的SRL缺乏可控制互动力所需的机械背景和带宽作为绘画，操纵脆弱的物体等。具有高带宽的高度背景，而最小化重量则带来了由常规电磁执行器的有限表现施加的重大技术挑战。本文研究了使用磁性（MR）离合器耦合到低摩擦式静液传动的可行性，以提供高功能强大但可轻巧，可控制的SRL。设计和建造了2.7千克二线可穿戴机器人手臂。肩膀和肘关节的设计可提供39和25 nm，运动范围为115和180 {\ deg}。在一氧化基督测试台上进行的实验研究并在分析上进行了验证，即使在与外部阻抗相互作用时，也表明了高力带宽（> 25 Hz），并且能够控制相互作用的能力。此外，研究并通过实验研究了三种力对照方法：开环，闭环力和压力上的闭环。所有三种方法均显示为有效。总体而言，拟议的MR-Hydrstoratic致动系统非常适合与人类和环境相互作用的轻量级SRL，从而增加了无法预测的干扰。

$ \ mathbf {perive} $：使用人工智能（AI）到：（1）从相对较大的人群中利用视神经头（ONH）的生物力学知识； （2）评估ONH的单个光学相干断层扫描（OCT）扫描的稳健性； （3）确定哪些关键的三维（3D）结构特征使给定的ONH稳健。 $ \ Mathbf {Design} $：回顾性横断面研究。 $ \ mathbf {Methods} $：316个受试者通过Ophthalmo-Dynamometry在急性眼内和之后与OCT成像。然后将IOP诱导的椎板胶状变形映射为3D，并用于对ONH进行分类。 LC变形高于4％的人被认为是脆弱的，而变形较低的人则较低4％。从这些数据中学习，我们比较了三种AI算法，以严格地从基线（未呈现的）OCT卷中预测鲁棒性：（1）随机森林分类器； （2）自动编码器； （3）动态图CNN（DGCNN）。后一种算法还使我们能够确定哪些关键的3D结构特征使给定的智能稳定。 $ \ mathbf {结果} $：所有3种方法都能够单独预测3D结构信息的稳健性，而无需执行生物力学测试。 DGCNN（接收器操作曲线下的区域[AUC]：0.76 $ \ pm $ 0.08）的表现优于自动编码器（AUC：0.70 $ \ pm $ 0.07）和随机森林分类器（AUC：0.69 $ \ pm $ 0.05）。有趣的是，为了评估稳健性，DGCNN主要使用了巩膜和LC插入部位的信息。 $ \ mathbf {结论} $：我们提出了一种AI驱动的方法，可以仅从ONH的单个OCT扫描中评估给定ONH的稳健性，而无需进行生物力学测试。纵向研究应确定ONH鲁棒性是否可以帮助我们确定快速的视野损失进展者。