基于手势的界面通常用于实现更自然和直观的机器人遥气操作。然而，有时候，手势控制需要对用户造成显着疲劳的姿势或运动。在先前的用户学习中，我们证明了NA \“IVE用户可以在其武器展开时控制具有躯干运动的固定翼无人机。然而，这种姿势诱导了重要的手臂疲劳。在这项工作中，我们展示了一款被动臂支撑这补偿了手臂重量，平均扭矩误差小于0.005n / kg，超过0.005n / kg的受试者使用的运动范围的97％以上，因此平均降低肩部的肌肉疲劳。此外，这臂支持旨在将5百分位数的身体尺寸的用户融入第99百分位的男性。使用机械模型描述了臂支架的性能分析，并且其实现是用机械表征和用户学习验证的测量飞行性能，肩部肌肉活动和用户验收。
translated by 谷歌翻译
科学机器学习（SCIML）是对几个不同应用领域的兴趣越来越多的领域。在优化上下文中，基于SCIML的工具使得能够开发更有效的优化方法。但是，必须谨慎评估和执行实施优化的SCIML工具。这项工作提出了稳健性测试的推论，该测试通过表明其结果尊重通用近似值定理，从而确保了基于多物理的基于SCIML的优化的鲁棒性。该测试应用于一种新方法的框架，该方法在一系列基准测试中进行了评估，以说明其一致性。此外，将提出的方法论结果与可行优化的可行区域进行了比较，这需要更高的计算工作。因此，这项工作为保证在多目标优化中应用SCIML工具的稳健性测试提供了比存在的替代方案要低的计算努力。
translated by 谷歌翻译
味道是遵循社会趋势和行为的风味行业的焦点。新调味剂和分子的研究和开发在该领域至关重要。另一方面，自然风味的发展在现代社会中起着至关重要的作用。鉴于此，目前的工作提出了一个基于科学机器学习的新颖框架，以在风味工程和行业中解决新的问题。因此，这项工作带来了一种创新的方法来设计新的自然风味分子。评估了有关合成可及性，原子数以及与天然或伪天然产物的相似性的分子。
translated by 谷歌翻译
健壮的学习是科学机器学习（SCIML）的重要问题。文献中有几篇关于该主题的作品。但是，对方法的需求不断增加，可以同时考虑SCIML模型识别中涉及的所有不同不确定性组成部分。因此，这项工作提出了一种对SCIML的不确定性评估的综合方法，该方法还考虑了识别过程中涉及的几种不确定性来源。提出的方法中考虑的不确定性是缺乏理论和因果模型，对数据腐败或不完美的敏感性以及计算工作。因此，可以为SCIML领域中的不确定性感知模型提供总体策略。该方法通过案例研究验证，开发了用于聚合反应器的软传感器。结果表明，已识别的软传感器对于不确定性是可靠的，并以所提出的方法的一致性证实。
translated by 谷歌翻译