招聘和大学录取等许多申请涉及申请人的评估和选择。这些任务在根本上是困难的，并且需要从多个不同方面（我们称为“属性”）结合证据。在这些应用程序中，申请人的数量通常很大，一个常见的做法是以分布式方式将任务分配给多个评估人员。具体而言，在经常使用的整体分配中，每个评估者都会分配申请人的子集，并要求评估其分配的申请人的所有相关信息。但是，这样的评估过程受到诸如错误校准的问题的约束（评估人员仅见一小部分申请人，并且可能没有良好的相对质量感）和歧视（评估者受到有关申请人无关的信息的影响）。我们确定基于属性的评估允许替代分配方案。具体而言，我们考虑分配每个评估者更多的申请人，但每个申请人的属性更少，称为分割分配。我们通过理论和实验方法比较了分段分配与几个维度的整体分配。我们在这两种方法之间建立了各种折衷方案，并确定一种方法在其中一种方法比另一种方法更准确地评估。

Data depth, introduced by Tukey (1975), is an important tool in data science, robust statistics, and computational geometry. One chief barrier to its broader practical utility is that many common measures of depth are computationally intensive, requiring on the order of $n^d$ operations to exactly compute the depth of a single point within a data set of $n$ points in $d$-dimensional space. Often however, we are not directly interested in the absolute depths of the points, but rather in their \textit{relative ordering}. For example, we may want to find the most central point in a data set (a generalized median), or to identify and remove all outliers (points on the fringe of the data set with low depth). With this observation, we develop a novel and instance-adaptive algorithm for adaptive data depth computation by reducing the problem of exactly computing $n$ depths to an $n$-armed stochastic multi-armed bandit problem which we can efficiently solve. We focus our exposition on simplicial depth, developed by \citet{liu1990notion}, which has emerged as a promising notion of depth due to its interpretability and asymptotic properties. We provide general instance-dependent theoretical guarantees for our proposed algorithms, which readily extend to many other common measures of data depth including majority depth, Oja depth, and likelihood depth. When specialized to the case where the gaps in the data follow a power law distribution with parameter $\alpha<2$, we show that we can reduce the complexity of identifying the deepest point in the data set (the simplicial median) from $O(n^d)$ to $\tilde{O}(n^{d-(d-1)\alpha/2})$, where $\tilde{O}$ suppresses logarithmic factors. We corroborate our theoretical results with numerical experiments on synthetic data, showing the practical utility of our proposed methods.

通常声称由软材料制成的腿部机器人比其刚性材料表现出更安全，更健壮的环境相互作用。但是，软机器人的这种激励特征需要更严格的开发才能与刚性运动进行比较。本文介绍了一个柔软的机器人平台Horton和一个反馈控制系统，并在其操作的某些方面保证了安全性。该机器人是使用一系列软肢构造的，由热形记忆合金（SMA）线肌肉作用，其位置和执行器温度的传感器。监督控制方案在机器人姿势的单独控制器操作过程中维护安全执行者状态。实验表明，霍顿可以举起腿并保持平衡姿势，这是运动的前身。在平衡过程中，通过人类交互测试在硬件中验证了主管，使所有SMA肌肉保持在温度阈值以下。这项工作代表了任何柔软的腿机器人的安全验证反馈系统的首次演示。

家庭中的移动操纵器可以为患有严重运动障碍的人提供越来越多的自治权，他们在没有照料者的帮助下通常无法完成日常生活（ADL）的活动。辅助移动操纵器的远距离运行可以使患有运动障碍的人能够独立执行自我保健和家庭任务，但是有限的运动功能会阻碍人们与机器人接触的能力。在这项工作中，我们介绍了一个独特的基于惯性的可穿戴辅助界面，该辅助界面嵌入了熟悉的头饰服装中，适用于具有严重运动障碍的人，可以通过移动操纵器进行远程处理和执行身体任务。我们评估了这种可穿戴的界面（n = 16）和有运动障碍的个体（n = 2），用于执行ADL和日常家庭任务。我们的结果表明，可穿戴界面使参与者能够完成错误率，高度可感知的易用性和低工作负载度量的身体任务。总体而言，这种基于惯性的可穿戴设备是一种新的辅助接口选项，可控制家庭中移动操纵器。

自2016年成立以来，Alexa奖计划使数百名大学生能够通过Socialbot Grand Challenge探索和竞争以发展对话代理商。挑战的目的是建立能够与人类在流行主题上连贯而诱人的代理人20分钟，同时达到至少4.0/5.0的平均评分。但是，由于对话代理商试图帮助用户完成日益复杂的任务，因此需要新的对话AI技术和评估平台。成立于2021年的Alexa奖Taskbot Challenge建立在Socialbot Challenge的成功基础上，通过引入交互式协助人类进行现实世界烹饪和做自己动手做的任务的要求，同时同时使用语音和视觉方式。这项挑战要求TaskBots识别和理解用户的需求，识别和集成任务和域知识，并开发新的方式，不分散用户的注意力，而不必分散他们的任务，以及其他挑战。本文概述了Taskbot挑战赛，描述了使用Cobot Toolkit提供给团队提供的基础架构支持，并总结了参与团队以克服研究挑战所采取的方法。最后，它分析了比赛第一年的竞争任务机器人的性能。

尽管软机器人比传统机器人表现出与环境更安全的相互作用，但软机制和执行器仍然具有巨大的损害或降解潜力，尤其是在未建模的接触期间。本文在控制软机器人期间介绍了用于安全软执行器操作的反馈策略。为此，监督控制器监视执行器状态并动态饱和输入，以避免可能导致物理损害的条件。我们证明，在某些条件下，监督控制器稳定且可靠地安全。然后，我们使用带有嵌入式形状的内存合金（SMA）执行器和传感的软热机器人肢体和感应的软机器人肢体完全演示了监督控制器的板载操作。使用主管进行的测试验证其理论特性，并显示机器人肢体在自由空间中的姿势的稳定。最后，实验表明，我们的方法可以防止在接触过程中（包括环境限制和人接触）或命令不可行的动作时过热。该监督控制器及其完全在板载感应中执行的能力，有可能使软机器人执行器足够可靠地用于实际使用。

利用电热致动器模拟软机械肢体的动力学通常由于热电磁力和机械磁力和机器人操作期间可能出现的复杂物理相互作用而挑战。本文提出了基于长期短期内存（LSTM）的神经网络，以解决执行器建模中的这些挑战。用一对形状记忆合金（SMA）线圈和包含用于温度和角度偏转的嵌入式传感器的平面软肢体，用作测试平台。来自该机器人的数据用于使用不同的传感器数据的不同组合训练LSTM神经网络，以模拟单向（一个SMA）和双向（两个SMA）运动。 Open-Loop Rollout结果表明，学习模型能够通过漂移较小的漂移来预测超长开环时间尺度（10分钟）的运动。即使仅使用致动器的脉冲宽度调制输入，预测误差是在柔软偏转传感器的精度的顺序上，即使使用致动器的脉冲宽度调制输入。这些LSTM型号可以原位使用，无需广泛的传感，有助于将软电热驱动的机器人带入实际应用中。