我们介绍了Dreamento（Drea Engineering Toolbox），这是一种使用Zmax（Hypnodyne Corp.，Sofia，Bulgaria，Bulgaria）的开源Python Python套件，用于梦想工程。 DREAMENTO的主要功能是（1）图形用户界面（GUI）（2）（2）中的实时记录，监视，分析和刺激以及所得数据的离线后处理。 Dreamento实时能够（1）记录数据，（2）可视化数据，包括功率光谱分析和导航，（3）自动睡眠评分，（4）感觉刺激（视觉，听觉，触觉）， （5）建立文本到语音通信，以及（6）管理自动和手动事件的注释。离线功能有助于其后处理获得的数据，具有重新装修可穿戴数据并将其与不可磨损记录的模式（例如肌电图）相结合的功能。尽管Dreamento的主要应用是用于（清醒）梦想研究的，但它愿意适应其他目的和测量方式。

We consider the constrained Linear Inverse Problem (LIP), where a certain atomic norm (like the $\ell_1 $ and the Nuclear norm) is minimized subject to a quadratic constraint. Typically, such cost functions are non-differentiable which makes them not amenable to the fast optimization methods existing in practice. We propose two equivalent reformulations of the constrained LIP with improved convex regularity: (i) a smooth convex minimization problem, and (ii) a strongly convex min-max problem. These problems could be solved by applying existing acceleration based convex optimization methods which provide better \mmode{ O \left( \nicefrac{1}{k^2} \right) } theoretical convergence guarantee. However, to fully exploit the utility of these reformulations, we also provide a novel algorithm, to which we refer as the Fast Linear Inverse Problem Solver (FLIPS), that is tailored to solve the reformulation of the LIP. We demonstrate the performance of FLIPS on the sparse coding problem arising in image processing tasks. In this setting, we observe that FLIPS consistently outperforms the Chambolle-Pock and C-SALSA algorithms--two of the current best methods in the literature.

为了更好地优化全球食品供应链，需要机器人解决方案来自动化人类目前完成的任务。也就是说，表型，质量分析和收获都是农业机器人技术领域的空旷问题。机器人感知是自治解决方案的关键挑战，例如场景理解和对象检测是机器人可能承担的任何掌握任务的重要先决条件。这项工作对现代机器人感知模型进行了简要审查，并讨论了它们在农业食品领域内的功效。

在最近的过去，草莓的机器人收获引起了很多兴趣。尽管有很多创新，但它们尚未达到与人类采摘专家相当的水平。末端效应单元在定义这种机器人收割系统的效率方面起着重要作用。即使有关于草莓收集的各种最终效应子的报道，但是在某些情况下，研究人员可以依靠某些参数来开发新的最终效应子。这些参数包括可以在花梗上应用的抓地力极限，以有效地抓握，切割草莓花梗所需的力等。这些估计将对目标的最终效应器的设计周期有所帮助，以握住和切割在收获动作期间，草莓花梗。本文通过实验研究了这些参数的估计和分析。据估计，花梗的握力可以限制为10N。这使最终效应器能够抓住高达50克的草莓，而操纵加速度为50 m/s $^2 $，而不会挤压花梗。关于花梗切割力的研究表明，15 n的力足以在30度方向上使用楔形角度为16.6度的刀片切出草莓花梗。

目前，大多数社会机器人通过传感器与周围环境和人类相互作用，这些传感器是机器人的组成部分，这限制了传感器，人机相互作用和互换性的可用性。在许多应用中需要一种适合许多机器人的可穿戴传感器衣服。本文介绍了一个经济实惠的可穿戴传感器背心，以及带有物联网（物联网）的开源软件架构，用于社会人形机器人。背心由触摸，温度，手势，距离，视觉传感器和无线通信模块组成。 IOT功能允许机器人与人类和互联网一起与人类交互。设计的体系结构适用于任何具有通用图形处理单元（GPGPU），I2C / SPI总线，Internet连接和机器人操作系统（ROS）的任何社交机器人。此架构的模块化设计使开发人员能够轻松地添加/删除/更新复杂行为。所提出的软件架构提供IOT技术，GPGPU节点，I2C和SPI总线管理器，视听交互节点（语音到文本，文本到语音和图像理解），以及行为节点和其他节点之间的隔离。所提出的IOT解决方案包括机器人中的相关节点，RESTful Web服务和用户界面。我们使用HTTP协议作为与Internet的社会机器人双向通信的手段。开发人员可以在C，C ++和Python编程语言中轻松编辑或添加节点。我们的架构可用于为社会人形机器人设计更复杂的行为。

基于敏感数据的机器学习模型在现实世界的承诺中，在医学筛查到疾病爆发，农业，工业，国防科学等地区的进步。在许多应用中，学习参与者通信转舍受益于收集自己的私​​有数据集，在真实数据上教导详细的机器学习模型，并共享使用这些模型的好处。由于现有的隐私和安全问题，大多数人都避免敏感数据分享进行培训。如果没有每个用户向中央服务器演示其本地数据，联邦学习允许各方共同地在其共享数据上培训机器学习算法。这种集体隐私学习方法导致培训期间的重要沟通。大多数大型机器学习应用程序需要基于各种设备和地点生成的数据集的分散学习。这样的数据集代表了分散学习的基本障碍，因为它们的各种环境有助于跨设备和位置的数据交付的显着差异。研究人员提出了几种方法来实现联邦学习系统中的数据隐私。但是，仍存在均匀的本地数据仍存在挑战。该研究方法是选择节点（用户）以在联合学习中共享他们的数据，以便为基于独立的数据的平衡来提高准确性，降低培训时间和增加收敛。因此，本研究介绍了基于名为DQRE-SCNet的光谱聚类的组合的深度QREInforceNce学习合奏，以在每个通信中选择设备的子集。基于结果，展示了可以减少联合学习所需的通信轮数量。

在开放世界学习中，代理商从一组已知类，检测和管理它不知道的事情，并从非静止数据流中随时间了解它们。开放世界学习与众多其他学习问题不同，本文简要介绍了各种问题之间的关键差异，包括增量学习，广义新奇发现和广义零射击学习。本文规范了各种开放世界学习问题，包括没有标签的开放世界学习。这些开放世界问题可以通过对已知元素的修改来解决，我们提出了一个新的框架，使代理能够组合各种模块用于新颖性检测，新颖性表征，增量学习和实例管理，以从未标记的流学习新类数据以无人监督的方式，调查如何适应一些最先进的技术来符合框架，并使用它们在没有标签问题的情况下为开放世界学习的性能定义七个基线。然后，我们讨论开放世界的学习质量，并分析如何改善实例管理。我们还讨论了没有标签的开放世界学习中发生的一些普遍歧义问题。