Robots have been brought to work close to humans in many scenarios. For coexistence and collaboration, robots should be safe and pleasant for humans to interact with. To this end, the robots could be both physically soft with multimodal sensing/perception, so that the robots could have better awareness of the surrounding environment, as well as to respond properly to humans' action/intention. This paper introduces a novel soft robotic link, named ProTac, that possesses multiple sensing modes: tactile and proximity sensing, based on computer vision and a functional material. These modalities come from a layered structure of a soft transparent silicon skin, a polymer dispersed liquid crystal (PDLC) film, and reflective markers. Here, the PDLC film can switch actively between the opaque and the transparent state, from which the tactile sensing and proximity sensing can be obtained by using cameras solely built inside the ProTac link. In this paper, inference algorithms for tactile proximity perception are introduced. Evaluation results of two sensing modalities demonstrated that, with a simple activation strategy, ProTac link could effectively perceive useful information from both approaching and in-contact obstacles. The proposed sensing device is expected to bring in ultimate solutions for design of robots with softness, whole-body and multimodal sensing, and safety control strategies.

语义分割是开发医学图像诊断系统的重要任务。但是，构建注释的医疗数据集很昂贵。因此，在这种情况下，半监督方法很重要。在半监督学习中，标签的质量在模型性能中起着至关重要的作用。在这项工作中，我们提出了一种新的伪标签策略，可提高用于培训学生网络的伪标签的质量。我们遵循多阶段的半监督训练方法，该方法在标记的数据集上训练教师模型，然后使用训练有素的老师将伪标签渲染用于学生培训。通过这样做，伪标签将被更新，并且随着培训的进度更加精确。上一个和我们的方法之间的关键区别在于，我们在学生培训过程中更新教师模型。因此，在学生培训过程中，提高了伪标签的质量。我们还提出了一种简单但有效的策略，以使用动量模型来提高伪标签的质量 - 训练过程中原始模型的慢复制版本。通过应用动量模型与学生培训期间的重新渲染伪标签相结合，我们在五个数据集中平均达到了84.1％的骰子分数（即Kvarsir，CVC-ClinicdB，Etis-laribpolypdb，cvc-colondb，cvc-colondb，cvc-colondb和cvc-300）和CVC-300）只有20％的数据集用作标记数据。我们的结果超过了3％的共同实践，甚至在某些数据集中取得了完全监督的结果。我们的源代码和预培训模型可在https://github.com/sun-asterisk-research/online学习SSL上找到

腿部机器人在驾驶不平坦的地形方面表现出显着的优势。但是，实现四足机器人的有效运动和操纵任务仍然具有挑战性。另外，在这些问题中，机器人通常未知对象和地形参数。因此，本文提出了一个层次自适应控制框架，该框架使腿部机器人能够执行机车操作任务，而无需对物体的质量，摩擦系数或地形的斜率进行任何给定的假设。在我们的方法中，我们首先提出一种自适应操纵控制，以调节接触力，以操纵未知地形上的未知物体。然后，我们引入了一个统一的模型预测控制（MPC），以考虑机器人的操作，该控制力考虑了机器人动力学中的操纵力。因此，提出的MPC框架可以有效地调节机器人与物体之间的相互作用力，同时保持机器人平衡。我们提出的方法的实验验证成功地在Unitree A1机器人上进行了，使其可以操纵未知的时间变化负载，最高$ 7 $ $ kg $（$ 60 \％的机器人重量）。此外，我们的框架可以快速适应未知斜率（最高$ 20^\ circ $）或具有不同摩擦系数的不同表面。

本文介绍了一个新颖的自适应频率MPC框架，用于在地形上具有不均匀的垫脚石上的两足球运动。详细说明，我们打算使用此MPC实现双足体周期步态的自适应脚部和步态，以便在不慢下放慢速度的情况下以不连续性穿越地形。我们将这种自适应频率MPC与Kino-Dynamics轨迹优化，以实现最佳步态时期，质量中心（COM）轨迹和脚部位置。我们使用全身控制（WBC）以及自适应频率MPC来跟踪离线优化的最佳轨迹。在数值验证中，我们具有优化的自适应频率MPC框架已显示出比固定频率MPC的优势。所提出的框架可以控制两足动物的机器人，穿过具有扰动的石头高度，宽度和表面形状的不均匀的垫脚石地形，同时保持平均速度为1.5 m/s。

本文提出了一种通过多接触模型预测控制（MPC）框架来控制类人形机器人动态机器人操作的新方法。在此框架中，我们提出了一个多接触动力学模型，该模型可以代表机车操作中的不同接触模式（例如，与地面与对象和脚接触的手接触）。提出的动力学模型简化了对象动力学作为应用于系统（外部力模型）的外力，以确保MPC问题的简单性和可行性。在数值验证中，我们的多接触MPC框架只需要每个任务的接触时间，并且所需状态才能使MPC了解Loco-Manipulation中预测范围中接触模式的变化。所提出的框架可以控制类人机器人的机器人，以完成多任务的动态机车操作应用，例如在转弯和行走时有效拾取和掉落物体。

可解释的机器学习提供了有关哪些因素推动了黑盒系统的一定预测以及是否信任高风险决策或大规模部署的洞察力。现有方法主要集中于选择解释性输入功能，这些功能遵循本地添加剂或实例方法。加性模型使用启发式采样扰动来依次学习实例特定解释器。因此，该过程效率低下，并且容易受到条件较差的样品的影响。同时，实例技术直接学习本地采样分布，并可以从其他输入中利用全球信息。但是，由于严格依赖预定义的功能，他们只能解释单一级预测并在不同设置上遇到不一致的情况。这项工作利用了这两种方法的优势，并提出了一个全球框架，用于同时学习多个目标类别的本地解释。我们还提出了一种自适应推理策略，以确定特定实例的最佳功能数量。我们的模型解释器极大地超过了忠诚的添加和实例的对应物，而在各种数据集和Black-box模型体系结构上获得了高水平的简洁性。

在腿部机器人的机车上，执行高度敏捷的动态动作，例如跳跃或跑步的踏板乐队，这仍然是一个挑战性的问题。本文提出了一个框架，该框架结合了轨迹优化和模型预测控制，以在踏脚石上执行强大的连续跳跃。在我们的方法中，我们首先利用基于机器人的全非线性动力学的轨迹优化来生成各种跳跃距离的周期性跳跃轨迹。然后，基于模型预测控制的跳跃控制器设计用于实现平滑的跳跃过渡，从而使机器人能够在步进石上实现连续跳跃。得益于将MPC作为实时反馈控制器的合并，该提议的框架也得到了验证，可以对机器人动力学上的高度扰动和模型不确定性具有不均匀的平台。

我们为神经机翻译（NMT）提供了一个开源工具包。新工具包主要基于拱形变压器（Vaswani等，2017）以及下面详述的许多其他改进，以便创建一个独立的，易于使用，一致和全面的各个领域的机器翻译任务框架。它是为了支持双语和多语言翻译任务的工具，从构建各个语料库的模型开始推断新的预测或将模型打包给提供功能的JIT格式。

具有长飞行阶段的高度敏捷杂技动作需要完美的时机，高精度，以及整个身体运动的协调。为了解决这些挑战，本文提出了一个统一的时序和轨迹优化框架，可用于执行激进的3D跳跃的腿机器人。在我们的方法中，我们首先利用了有效的优化框架，使用简化的刚体动力学来解决机器人身体的接触时间和参考轨迹。然后使用该模块的解决方案基于机器人的全部非线性动力学制定全身轨迹优化。这种组合允许我们有效地优化接触定时，同时保证可以在硬件中实现的跳跃轨迹的准确性。我们在A1机器人模型上验证了所提出的框架，以获得各种3D跳跃任务，如双后跳和双桶分别从2M和0.8米的高海拔滚动。对于不同的3D跳跃动作，还成功地进行了实验验证，例如来自盒子或对角线跳转的桶卷。

自适应控制可以解决控制系统中的模型不确定性。但是，它是专为跟踪控制而设计的。近期机器人控制的最新进步表明，力控制可以有效地实现敏捷和强大的运动。在本文中，我们提出了一种用于腿机器人的新型自适应力控制框架。我们以我们提出的方法介绍了一种新的架构，将自适应控制纳入二次编程（QP）力控制。由于我们的方法是基于力控制，它还保留了基线框架的优势，例如对不均匀地形，可控摩擦约束或软撞击的鲁棒性。我们的方法在模拟和硬件实验中成功验证。虽然基线QP控制在具有小负载的身体跟踪误差中显示出显着的降级，但我们所提出的基于自适应力的控制可以使12千克Unitree A1机器人能够在粗糙的地形上行走，同时承载最多6次kg（50％的机器人重量）。当站在四条腿时，我们所提出的自适应控制甚至可以允许机器人在机器人高度中携带多达11kg的负载（机器人重量的92％），并且在机器人高度中具有小于5cm的跟踪误差。