Robot assistants are emerging as high-tech solutions to support people in everyday life. Following and assisting the user in the domestic environment requires flexible mobility to safely move in cluttered spaces. We introduce a new approach to person following for assistance and monitoring. Our methodology exploits an omnidirectional robotic platform to detach the computation of linear and angular velocities and navigate within the domestic environment without losing track of the assisted person. While linear velocities are managed by a conventional Dynamic Window Approach (DWA) local planner, we trained a Deep Reinforcement Learning (DRL) agent to predict optimized angular velocities commands and maintain the orientation of the robot towards the user. We evaluate our navigation system on a real omnidirectional platform in various indoor scenarios, demonstrating the competitive advantage of our solution compared to a standard differential steering following.

单像超分辨率可以在需要可靠的视觉流以监视任务，处理远程操作或研究相关视觉细节的环境中支持机器人任务。在这项工作中，我们为实时超级分辨率提出了一个有效的生成对抗网络模型。我们采用了原始SRGAN的量身定制体系结构和模型量化，以提高CPU和Edge TPU设备上的执行，最多达到200 fps的推断。我们通过将其知识提炼成较小版本的网络，进一步优化我们的模型，并与标准培训方法相比获得显着的改进。我们的实验表明，与较重的最新模型相比，我们的快速和轻量级模型可保持相当令人满意的图像质量。最后，我们对图像传输进行带宽降解的实验，以突出提出的移动机器人应用系统的优势。

在室外和室内环境中的精确定位是一个具有挑战性的问题，目前构成了几种实际应用的重要限制。超宽带（UWB）本地化技术代表了解决该问题的宝贵低成本解决方案。然而，特定无线电环境的非视线（NLOS）条件和复杂性很容易在范围测量中引入正偏见，从而导致高度不准确和不令人满意的位置估计。鉴于此，我们利用了深神网络优化技术的最新进步及其在超低功率微控制器上的实施，以引入有效的范围错误缓解解决方案，该解决方案可在NLOS或LOS条件下提供校正，并具有几兆瓦的功率。我们广泛的实验认可了我们的低成本和力量效率方法的优势和改进。

域的概括（DG）研究了深度学习模型推广到训练分布的能力。在过去的十年中，文献已经大量填充了一系列培训方法，这些方法声称获得了更抽象和强大的数据表示以应对域的转移。最近的研究为DG提供了可再现的基准，指出了天真的经验风险最小化（ERM）对现有算法的有效性。然而，研究人员坚持使用相同过时的特征提取器，并且尚未注意不同骨干的影响。在本文中，我们从骨干开始，提出了对其内在概括能力的全面分析，迄今为止，研究界忽略了。我们评估了各种特征提取器，从标准残差解决方案到基于变压器的架构，发现大规模单域分类精度和DG功能之间的线性相关性。我们广泛的实验表明，通过采用竞争性骨干与有效的数据增强结合使用，普通ERM的表现优于最近的DG解决方案，并实现了最先进的准确性。此外，我们的其他定性研究表明，新型骨架提供了与同类样本更相似的表示，从而将特征空间中的不同域分开。这种概括能力的增强功能使DG算法的边缘空间为调查问题，提出了一个新的范式，将骨干放在聚光灯下，并鼓励在其顶部开发一致的算法。

精确农业正在迅速吸引研究，以有效地引入自动化和机器人解决方案，以支持农业活动。葡萄园和果园中的机器人导航在自主监控方面具有竞争优势，并轻松获取农作物来收集，喷涂和执行时必的耗时必要任务。如今，自主导航算法利用了昂贵的传感器，这也需要大量的数据处理计算成本。尽管如此，葡萄园行代表了一个具有挑战性的户外场景，在这种情况下，GPS和视觉进程技术通常难以提供可靠的定位信息。在这项工作中，我们将Edge AI与深度强化学习相结合，以提出一种尖端的轻质解决方案，以解决自主葡萄园导航的问题，而无需利用精确的本地化数据并通过基于灵活的学习方法来克服任务列出的算法。我们训练端到端的感觉运动剂，该端机直接映射嘈杂的深度图像和位置不可稳定的机器人状态信息到速度命令，并将机器人引导到一排的尽头，不断调整其标题以进行无碰撞的无碰撞中央轨迹。我们在现实的模拟葡萄园中进行的广泛实验证明了解决方案的有效性和代理的概括能力。

精确农业的发展在农业过程中逐渐引入自动化，以支持和合理化与现场管理有关的所有活动。特别是，服务机器人技术通过部署能够在字段中导航的自主代理在执行不同的任务而无需人工干预（例如监视，喷涂和收获）的同时，在这一演变中起主要作用。在这种情况下，全球路径规划是每个机器人任务的第一步，并确保通过完整的现场覆盖范围有效地执行导航。在本文中，我们提出了一种基于学习的方法来解决Waypoint生成，以规划基于行的农作物的导航路径，从利益区域的顶级图表开始。我们提出了一种基于对比损失的新方法，可以将这些点投射到可分离的潜在空间。拟议的深神经网络可以同时在单个正向传球中使用两个专门的头部来预测路点位置和群集分配。对模拟和现实世界图像的广泛实验表明，所提出的方法有效地解决了基于直的和曲面的作物的路点生成问题，从而克服了先前最先进的方法的局限性。

通过智能连接设备，技术正在逐步重塑国内环境，提高家庭安全和整体环境质量。然而，人口转移和流行病最近展示导致他们房屋中的老年人隔离，产生了可靠的辅助人物的需求。机器人助理是国内福利创新的新前沿。老年人监测只是一个可能的服务应用之一，智能机器人平台可以处理集体福祉。在本文中，我们展示了一个新的辅助机器人，我们通过模块化的基于层的架构开发，使灵活的机械设计与最先进的人工智能进行了灵活的人工智能，以便感知和声音控制。关于以前的机器人助手的作品，我们提出了一个设置有四个麦粉轮的全向平台，这使得自主导航与杂乱环境中的有效障碍物避免。此外，我们设计可控定位装置，以扩展传感器的视觉范围，并改善对用户界面的访问以进行远程呈现和连接。轻量级深度学习解决方案，用于视觉感知，人员姿势分类和声乐命令完全运行机器人的嵌入式硬件，避免了云服务私有数据收集产生的隐私问题。

昂贵的传感器和低效的算法管道显着影响自动机器的总成本。然而，实惠的机器人解决方案对于实际使用至关重要，其财务影响构成了在大多数申请领域采用服务机器人的基本要求。其中，精密农业领域的研究人员努力设计强大，经济高效的自主平台，以提供真正的大规模竞争解决方案。在本文中，我们提出了一个完整的算法管道，用于基于行的作物自主导航，专门设计用于应对低范围的传感器和季节性变化。首先，我们建立一个强大的数据驱动方法，为自主机器生成一个可行的路径，仅涵盖庄稼的占用网格信息的裁剪的完整扩展。此外，我们的解决方案利用了深入学习优化技术和综合生成数据的最新进步，以提供一种实惠的解决方案，可有效地解决由于植被生长在行的植被而有效地解决了众所周知的全球导航卫星系统不可靠性和降级。对计算机生成的环境和现实世界作物的广泛实验和模拟表明了我们的方法的稳健性和内在的完全平整性，其开辟了高度实惠和完全自主机器的可能性。

基于纯粹关注的深度神经网络在几个领域中取得了成功，依赖于设计师的最小建筑前瞻性。在人类行动识别（HAR）中，主要是在标准卷积或复发层的顶部采用注意机制，从而提高了整体泛化能力。在这项工作中，我们介绍了动作变压器（ACT），这是一种简单的完全自我注意的架构，可以始终如一地优于混合卷积，复发和周度的更详细的网络。为了限制计算和能量请求，建立以前的人类行动识别研究，所提出的方法利用小型时间窗口的2D姿势表示，为准确且有效的实时性能提供低延迟解决方案。此外，我们开源MOMES2021是一个新的大规模数据集，作为建立正式培训和评估基准的实时短时哈哈。拟议的方法在MOMY2021上广泛测试，并与几个最先进的架构相比，证明了行为模型的有效性并铺设了未来工作的基础。

Autoregressive processes naturally arise in a large variety of real-world scenarios, including e.g., stock markets, sell forecasting, weather prediction, advertising, and pricing. When addressing a sequential decision-making problem in such a context, the temporal dependence between consecutive observations should be properly accounted for converge to the optimal decision policy. In this work, we propose a novel online learning setting, named Autoregressive Bandits (ARBs), in which the observed reward follows an autoregressive process of order $k$, whose parameters depend on the action the agent chooses, within a finite set of $n$ actions. Then, we devise an optimistic regret minimization algorithm AutoRegressive Upper Confidence Bounds (AR-UCB) that suffers regret of order $\widetilde{\mathcal{O}} \left( \frac{(k+1)^{3/2}\sqrt{nT}}{(1-\Gamma)^2} \right)$, being $T$ the optimization horizon and $\Gamma < 1$ an index of the stability of the system. Finally, we present a numerical validation in several synthetic and one real-world setting, in comparison with general and specific purpose bandit baselines showing the advantages of the proposed approach.