在搜救任务中，广泛使用无人驾驶汽车来分发急救箱和食品包。重要的是，这些无人机能够识别和区分标记以进行有效分布。标记位置的常见方法之一是通过使用叠加在各种颜色形状上的字符，这些字符基于不同形状，角色及其各自颜色的组合而产生各种标记。在本文中，我们提出了一个对象检测和分类管道，该管道可防止误报，并最大程度地减少对空中图像中字母数字字符和形状的错误分类。我们的方法利用传统的计算机视觉技术和无监督的机器学习方法来识别区域建议，分割图像目标并删除误报。我们利用计算轻型模型进行分类，使其易于部署在任何航空车上。

在过去的几十年中，出现了一种趋势，指出在可移动，可编程和可转换机制中利用结构不稳定性。受钢制发夹的启发，我们将面板组件与可靠的结构相结合，并使用半刚性塑料板建造合规的拍打机构，并将其安装在束缚的气动软机器人鱼和无螺旋螺旋式的电动机驱动器上，以展示它的前所未有的优势。设计规则是根据理论和验证提出的。观察到与参考相比，气动鱼的游泳速度提高了两倍，对Untether Fish的进一步研究表明，对于不固定的兼容的游泳运动员，可损坏的速度为2.03 BL/S（43.6 cm/s），优于先前报告的最快的，其幅度为194％。这项工作可能预示着下一代符合下一代机器人技术的结构革命。

Convincing people to get vaccinated against COVID-19 is a key societal challenge in the present times. As a first step towards this goal, many prior works have relied on social media analysis to understand the specific concerns that people have towards these vaccines, such as potential side-effects, ineffectiveness, political factors, and so on. Though there are datasets that broadly classify social media posts into Anti-vax and Pro-Vax labels, there is no dataset (to our knowledge) that labels social media posts according to the specific anti-vaccine concerns mentioned in the posts. In this paper, we have curated CAVES, the first large-scale dataset containing about 10k COVID-19 anti-vaccine tweets labelled into various specific anti-vaccine concerns in a multi-label setting. This is also the first multi-label classification dataset that provides explanations for each of the labels. Additionally, the dataset also provides class-wise summaries of all the tweets. We also perform preliminary experiments on the dataset and show that this is a very challenging dataset for multi-label explainable classification and tweet summarization, as is evident by the moderate scores achieved by some state-of-the-art models. Our dataset and codes are available at: https://github.com/sohampoddar26/caves-data

我们专注于拥挤环境中的机器人导航。预测机器人周围人群的运动的挑战使得难以确保人类的安全和舒适。最近的方法通常采用端到端技术来进行机器人控制或深层体系结构，以进行高保真的人类运动预测。尽管这些方法在模拟域中获得了重要的性能基准，但数据集限制和较高的样本复杂性倾向于阻止它们转移到现实世界中。我们的关键见解是，捕获人群动力学的关键特征的低维表示可能足以使机器人能够平稳地绕过人群。为此，我们使用拓扑不变性的概念将数学上的行为正式化了两种代理作为旋转的行为。基于这种形式主义，我们设计了一个成本功能，有利于机器人轨迹促进更高的传球进展，并惩罚人之间不同方面的切换。我们将此功能纳入模型预测控制器中，该模型使用了人类运动预测的简单恒定速度模型。这导致机器人运动在统计学上与最先进的基线相比，在统计学上，在统计学上取得了显着更高的清除，同时保持竞争性效率水平，跨越广泛的模拟以及在自动平衡机器人上的现实世界实验。