肌肉骨骼障碍（MSD）是尤其是体力劳动中的主要健康问题之一，特别是在手动处理工作中。在几个文献中，肌肉疲劳被认为与MSD密切相关，特别是对于肌肉相关疾病。除了许多现有的肌肉疲劳评估和MSD风险分析的分析技术外，提出了一种新的肌肉疲劳模型。新的拟议模型反映了外部负载，工作量历史和个体差异的影响。该模型在数学中很简单，可以在实时计算中轻松应用，例如实时虚拟工作模拟和评估中的应用。通过比较计算的METS，并用3个现有的动态模型进行定性或定量验证，使用24个现有静态模型进行数学验证。该建议的模型显示了预测所有24个静态模型的高度或中等相似之处。验证结果与三种动态模型也有望。模型的主要限制是，它仍然缺乏更具动态情况的实验验证。与行业肌肉疲劳的相关性是导致工业MSDS的主要原因之一，特别是对身体工作。对肌肉疲劳的正确评估是确定工作休息方案的必要条件，并降低MSD的风险。

Metaverse over wireless networks is an emerging use case of the sixth generation (6G) wireless systems, posing unprecedented challenges in terms of its multi-modal data transmissions with stringent latency and reliability requirements. Towards enabling this wireless metaverse, in this article we propose a novel semantic communication (SC) framework by decomposing the metaverse into human/machine agent-specific semantic multiverses (SMs). An SM stored at each agent comprises a semantic encoder and a generator, leveraging recent advances in generative artificial intelligence (AI). To improve communication efficiency, the encoder learns the semantic representations (SRs) of multi-modal data, while the generator learns how to manipulate them for locally rendering scenes and interactions in the metaverse. Since these learned SMs are biased towards local environments, their success hinges on synchronizing heterogeneous SMs in the background while communicating SRs in the foreground, turning the wireless metaverse problem into the problem of semantic multiverse communication (SMC). Based on this SMC architecture, we propose several promising algorithmic and analytic tools for modeling and designing SMC, ranging from distributed learning and multi-agent reinforcement learning (MARL) to signaling games and symbolic AI.

While witnessing the noisy intermediate-scale quantum (NISQ) era and beyond, quantum federated learning (QFL) has recently become an emerging field of study. In QFL, each quantum computer or device locally trains its quantum neural network (QNN) with trainable gates, and communicates only these gate parameters over classical channels, without costly quantum communications. Towards enabling QFL under various channel conditions, in this article we develop a depth-controllable architecture of entangled slimmable quantum neural networks (eSQNNs), and propose an entangled slimmable QFL (eSQFL) that communicates the superposition-coded parameters of eS-QNNs. Compared to the existing depth-fixed QNNs, training the depth-controllable eSQNN architecture is more challenging due to high entanglement entropy and inter-depth interference, which are mitigated by introducing entanglement controlled universal (CU) gates and an inplace fidelity distillation (IPFD) regularizer penalizing inter-depth quantum state differences, respectively. Furthermore, we optimize the superposition coding power allocation by deriving and minimizing the convergence bound of eSQFL. In an image classification task, extensive simulations corroborate the effectiveness of eSQFL in terms of prediction accuracy, fidelity, and entropy compared to Vanilla QFL as well as under different channel conditions and various data distributions.

Recent advances in Federated Learning (FL) have paved the way towards the design of novel strategies for solving multiple learning tasks simultaneously, by leveraging cooperation among networked devices. Multi-Task Learning (MTL) exploits relevant commonalities across tasks to improve efficiency compared with traditional transfer learning approaches. By learning multiple tasks jointly, significant reduction in terms of energy footprints can be obtained. This article provides a first look into the energy costs of MTL processes driven by the Model-Agnostic Meta-Learning (MAML) paradigm and implemented in distributed wireless networks. The paper targets a clustered multi-task network setup where autonomous agents learn different but related tasks. The MTL process is carried out in two stages: the optimization of a meta-model that can be quickly adapted to learn new tasks, and a task-specific model adaptation stage where the learned meta-model is transferred to agents and tailored for a specific task. This work analyzes the main factors that influence the MTL energy balance by considering a multi-task Reinforcement Learning (RL) setup in a robotized environment. Results show that the MAML method can reduce the energy bill by at least 2 times compared with traditional approaches without inductive transfer. Moreover, it is shown that the optimal energy balance in wireless networks depends on uplink/downlink and sidelink communication efficiencies.

信息指标的年龄无法正确描述状态更新的内在语义。在一个智能反映表面上的合作中继通信系统中，我们提出了语义年龄（AOS），用于测量状态更新的语义新鲜度。具体而言，我们专注于从源节点（SN）到目标的状态更新，该状态被称为马尔可夫决策过程（MDP）。 SN的目的是在最大发射功率约束下最大程度地提高AOS和能源消耗的预期满意度。为了寻求最佳的控制政策，我们首先在派利时间差异学习框架下推出了在线深层演员批评（DAC）学习方案。但是，实践实施在线DAC在SN和系统之间无限重复的互动中构成了关键的挑战，这可能是危险的，尤其是在探索过程中。然后，我们提出了一个新颖的离线DAC方案，该方案估算了先前收集的数据集的最佳控制策略，而无需与系统进行任何进一步的交互。数值实验验证了理论结果，并表明我们的离线DAC方案在平均效用方面显着优于在线DAC方案和最具代表性的基线，这表明了对数据集质量的强大鲁棒性。

惯性辅助系统需要连续的运动激发，以表征测量偏差，这些偏差将使本地化框架需要准确的集成。本文建议使用信息性的路径计划来找到最佳的轨迹，以最大程度地减少IMU偏见的不确定性和一种自适应痕迹方法，以指导规划师朝着有助于收敛的轨迹迈进。关键贡献是一种基于高斯工艺（GP）的新型回归方法，以从RRT*计划算法的变体之间实现连续性和可区分性。我们采用应用于GP内核函数的线性操作员不仅推断连续位置轨迹，还推断速度和加速度。线性函数的使用实现了IMU测量给出的速度和加速度约束，以施加在位置GP模型上。模拟和现实世界实验的结果表明，IMU偏差收敛的计划有助于最大程度地减少状态估计框架中的本地化错误。

工业机器人操纵器（例如柯机）的应用可能需要在具有静态和非静态障碍物组合的环境中有效的在线运动计划。当可用的计算时间受到限制或无法完全产生解决方案时，现有的通用计划方法通常会产生较差的质量解决方案。我们提出了一个新的运动计划框架，旨在在用户定义的任务空间中运行，而不是机器人的工作空间，该框架有意将工作空间一般性交易，以计划和执行时间效率。我们的框架自动构建在线查询的轨迹库，类似于利用离线计算的以前方法。重要的是，我们的方法还提供了轨迹长度上有限的次级优势保证。关键的想法是建立称为$ \ epsilon $ -Gromov-Hausdorff近似值的近似异构体，以便在任务空间附近的点也很接近配置空间。这些边界关系进一步意味着可以平稳地串联轨迹，这使我们的框架能够解决批次查询方案，目的是找到最小长度的轨迹顺序，这些轨迹访问一组无序的目标。我们通过几种运动型配置评估了模拟框架，包括安装在移动基础上的操纵器。结果表明，我们的方法可实现可行的实时应用，并为扩展其功能提供了有趣的机会。

在本文中，我们建议在分散的设置中解决一个正规化的分布鲁棒性学习问题，并考虑到数据分配的变化。通过将Kullback-Liebler正则化功能添加到可靠的Min-Max优化问题中，可以将学习问题降低到修改的可靠最小化问题并有效地解决。利用新配制的优化问题，我们提出了一个强大的版本的分散的随机梯度下降（DSGD），分布在分布方面具有强大的分散性随机梯度下降（DR-DSGD）。在一些温和的假设下，前提是正则化参数大于一个，我们从理论上证明DR-DSGD达到了$ \ MATHCAL {O} \ left的收敛速率$，其中$ k $是设备的数量，而$ t $是迭代次数。仿真结果表明，我们提出的算法可以提高最差的分配测试精度，最高$ 10 \％$。此外，DR-DSGD比DSGD更有效，因为它需要更少的沟通回合（最高$ 20 $ $倍）才能达到相同的最差分配测试准确性目标。此外，进行的实验表明，在测试准确性方面，DR-DSGD会导致整个设备的性能更公平。

量子联合学习（QFL）最近受到了越来越多的关注，其中量子神经网络（QNN）集成到联邦学习（FL）中。与现有的静态QFL方法相反，我们在本文中提出了可靠的QFL（SLIMQFL），这是一个动态QFL框架，可以应对时变的通信通道和计算能量限制。通过利用QNN的独特性质，可以分别训练并动态利用其角度参数，从而使其可行。模拟结果证实了SLIMQFL比香草QFL更高的分类精度，尤其是在较差的通道条件下。

经典的媒体访问控制（MAC）协议是可解释的，但是它们的任务不可能控制信号传导消息（CMS）不适合新兴任务 - 关键任务应用程序。相比之下，基于神经网络（NN）协议模型（NPM）学会生成特定于任务的CMS，但其理由和影响缺乏可解释性。为了填补这一空白，在本文中，我们首次提出了通过将NPM转换为概率逻辑编程语言（ProBlog）编写的可解释的符号图来构建的语义协议模型（SPM）。通过在将NPM视为CM发生器的同时提取和合并共同的CM及其连接，可以可行。通过广泛的模拟，我们证实了SPM在仅占据0.02％内存的同时紧密近似其原始NPM。通过利用其可解释性和记忆效率，我们演示了几种支持SPM的应用程序，例如SPM重新配置，以避免碰撞，并通过语义熵计算和存储多个SPM来比较不同的SPM，以应对非平稳环境。