内窥镜图像通常包含几个伪像。伪影显着影响图像分析导致计算机辅助诊断。卷积神经网络（CNNS），一种深度学习，可以去除这样的伪像。已经提出了各种架构，用于CNNS，并且伪像去除的准确性根据架构的选择而变化。因此，需要根据所选择的架构确定伪影删除精度。在这项研究中，我们专注于内窥镜手术器械作为伪影，并使用七种不同的CNN架构确定和讨论伪影去除精度。

Robots such as autonomous vehicles and assistive manipulators are increasingly operating in dynamic environments and close physical proximity to people. In such scenarios, the robot can leverage a human motion predictor to predict their future states and plan safe and efficient trajectories. However, no model is ever perfect -- when the observed human behavior deviates from the model predictions, the robot might plan unsafe maneuvers. Recent works have explored maintaining a confidence parameter in the human model to overcome this challenge, wherein the predicted human actions are tempered online based on the likelihood of the observed human action under the prediction model. This has opened up a new research challenge, i.e., \textit{how to compute the future human states online as the confidence parameter changes?} In this work, we propose a Hamilton-Jacobi (HJ) reachability-based approach to overcome this challenge. Treating the confidence parameter as a virtual state in the system, we compute a parameter-conditioned forward reachable tube (FRT) that provides the future human states as a function of the confidence parameter. Online, as the confidence parameter changes, we can simply query the corresponding FRT, and use it to update the robot plan. Computing parameter-conditioned FRT corresponds to an (offline) high-dimensional reachability problem, which we solve by leveraging recent advances in data-driven reachability analysis. Overall, our framework enables online maintenance and updates of safety assurances in human-robot interaction scenarios, even when the human prediction model is incorrect. We demonstrate our approach in several safety-critical autonomous driving scenarios, involving a state-of-the-art deep learning-based prediction model.

本文为一组移动机器人提供了一种算法，可以同时学习域上的空间字段，并在空间上分发自己以最佳覆盖。从以前的方法通过集中式高斯过程估算空间场的方法，这项工作利用了覆盖范围问题的空间结构，并提出了一种分散的策略，其中样本通过通过Voronoi分区的边界来建立通信在本地汇总。我们提出了一种算法，每个机器人都通过其自身测量值和Voronoi邻居提供的局部高斯流程运行局部高斯过程，该过程仅在提供足够新颖的信息时才将其纳入单个机器人的高斯过程中。在模拟中评估算法的性能，并与集中式方法进行比较。

本文介绍了一种系统集成方法，用于一种6-DOF（自由度）协作机器人，以操作移液液的移液液。它的技术发展是三倍。首先，我们设计了用于握住和触发手动移液器的最终效果。其次，我们利用协作机器人的优势来识别基于公认姿势的实验室姿势和计划的机器人运动。第三，我们开发了基于视觉的分类器来预测和纠正定位误差，从而精确地附着在一次性技巧上。通过实验和分析，我们确认开发的系统，尤其是计划和视觉识别方法，可以帮助确保高精度和柔性液体分配。开发的系统适用于低频，高更改的生化液体分配任务。我们预计它将促进协作机器人的部署进行实验室自动化，从而提高实验效率，而不会显着自定义实验室环境。

本文介绍了一个用于电缆线束的自主垃圾衬板 - 一个极具挑战性的垃圾桶采摘任务。目前，由于其长度和难以捉摸的结构，目前的电缆线束不适合进口到自动化生产。考虑到机器人垃圾箱拾取的任务，其中线束严重纠缠在一起，使用传统的箱拣选方法将机器人挑选一个机器人挑战。在本文中，我们提出了一种克服缠结易受零件时克服困难的有效方法。我们为机器人开发了几种运动方案，以拾取单个线束，避免任何缠结。此外，我们提出了一种基于学习的垃圾箱采摘策略，可在合理的顺序中选择掌握和设计的运动方案。由于用于充分解决拣选杂乱电缆线束中的缠结问题，我们的方法是独一无二的。我们在一组现实世界实验中展示了我们的方法，在此期间，该方法能够在各种杂乱的场景下具有效率和准确性的顺序箱拣选任务。

可变形的物体操纵（DOM）是机器人中的新兴研究问题。操纵可变形对象的能力赋予具有更高自主权的机器人，并承诺在工业，服务和医疗领域中的新应用。然而，与刚性物体操纵相比，可变形物体的操纵相当复杂，并且仍然是开放的研究问题。解决DOM挑战在机器人学的几乎各个方面，即硬件设计，传感，（变形）建模，规划和控制的挑战突破。在本文中，我们审查了最近的进步，并在考虑每个子场中的变形时突出主要挑战。我们论文的特殊焦点在于讨论这些挑战并提出未来的研究方向。

生成对抗网络（GAN）是使用一组真实示例生成假数据的框架。但是，甘在训练阶段不稳定。为了稳定gan，噪声注入已被用来扩大真实和虚假分布的重叠，而差异为增加。扩散（或平滑）可能会降低数据的固有潜在维度，但它抑制了甘斯在训练程序中学习高频信息的能力。基于这些观察结果，我们为GAN训练（称为嘈杂的尺度空间（NSS））提出了一个数据表示，该数据表示用平衡的噪声将平滑性应用于数据，以通过随机数据替换高频信息，从而导致高频信息。对gan的粗到精细训练。我们基于基于基准数据集的DCGAN和stylegan2尝试NSS，在大多数情况下，基于NSS的GANS的gans优于最先进的方法。