3D Flash LiDAR是传统扫描激光雷达系统的替代方法，有望在紧凑的外形尺寸中进行精确的深度成像，并且没有运动部件，例如自动驾驶汽车，机器人技术和增强现实（AR）等应用。通常在图像传感器格式中使用单光子，直接飞行时间（DTOF）接收器实施，设备的操作可能会受到需要在室外场景中处理和压缩的大量光子事件的阻碍以及对较大数组的可扩展性。我们在这里提出了一个64x32像素（256x128 spad）DTOF成像器，该成像器通过将像素与嵌入式直方图使用像素一起克服这些局限性，该直方直方图锁定并跟踪返回信号。这大大降低了输出数据帧的大小，可在10 kfps范围内或100 kfps的最大帧速率进行直接深度读数。该传感器可选择性地读数检测表面或传感运动的像素，从而减少功耗和片外处理要求。我们演示了传感器在中端激光雷达中的应用。

The precise control of soft and continuum robots requires knowledge of their shape. The shape of these robots has, in contrast to classical rigid robots, infinite degrees of freedom. To partially reconstruct the shape, proprioceptive techniques use built-in sensors resulting in inaccurate results and increased fabrication complexity. Exteroceptive methods so far rely on placing reflective markers on all tracked components and triangulating their position using multiple motion-tracking cameras. Tracking systems are expensive and infeasible for deformable robots interacting with the environment due to marker occlusion and damage. Here, we present a regression approach for 3D shape estimation using a convolutional neural network. The proposed approach takes advantage of data-driven supervised learning and is capable of real-time marker-less shape estimation during inference. Two images of a robotic system are taken simultaneously at 25 Hz from two different perspectives, and are fed to the network, which returns for each pair the parameterized shape. The proposed approach outperforms marker-less state-of-the-art methods by a maximum of 4.4\% in estimation accuracy while at the same time being more robust and requiring no prior knowledge of the shape. The approach can be easily implemented due to only requiring two color cameras without depth and not needing an explicit calibration of the extrinsic parameters. Evaluations on two types of soft robotic arms and a soft robotic fish demonstrate our method's accuracy and versatility on highly deformable systems in real-time. The robust performance of the approach against different scene modifications (camera alignment and brightness) suggests its generalizability to a wider range of experimental setups, which will benefit downstream tasks such as robotic grasping and manipulation.

Large language models (LLMs) have been shown to be able to perform new tasks based on a few demonstrations or natural language instructions. While these capabilities have led to widespread adoption, most LLMs are developed by resource-rich organizations and are frequently kept from the public. As a step towards democratizing this powerful technology, we present BLOOM, a 176B-parameter open-access language model designed and built thanks to a collaboration of hundreds of researchers. BLOOM is a decoder-only Transformer language model that was trained on the ROOTS corpus, a dataset comprising hundreds of sources in 46 natural and 13 programming languages (59 in total). We find that BLOOM achieves competitive performance on a wide variety of benchmarks, with stronger results after undergoing multitask prompted finetuning. To facilitate future research and applications using LLMs, we publicly release our models and code under the Responsible AI License.

事件摄像机是受到生物启发的动态视觉传感器，它们以高时间分辨率，高动态范围和低延迟响应图像强度的变化。这些传感器特性非常适合与智能视觉信标的广播视觉通信频道一起启用视觉目标跟踪，并在分布式机器人技术中应用。视觉信标可以通过对发射二极管（LED）的高频调节（例如车辆前大灯，物联网（IoT）LED，智能建筑灯等）来构建，这些灯光已经存在于许多真实世界中。事件摄像机的高时间分辨率特征使他们能够以基于经典的框架摄像机的速度捕获更高数据速率的视觉信号。在本文中，我们提出了一种具有LED调制和事件摄像头解调算法的新型智能视觉标准架构。我们定量评估我们原型型的智能视觉信标通信系统的LED传输速率，通信距离和消息传输精度之间的关系。所提出的方法在室内环境中最多可实现4 kbps，并且在100米的距离内以500桶的传输速率在阳光下以500 bps的速度实现了无损的传播，这表明了该技术在室外环境中的潜力。

软机器人技术有可能改变机器人运动，特别是软机器人游泳者提供了一种微创和自适应的解决方案，以探索和保存我们的海洋。不幸的是，当前的软机器人游泳者非常劣于进化的生物游泳者，尤其是在可控性，效率，可操作性和寿命方面。此外，设计软机器人所需的乏味的迭代制造和经验测试阻碍了它们的优化。在这项工作中，我们通过为设计和制造配备静电驱动的软机器人游泳者提供高效且直接的管道来应对这一挑战。我们简化了允许快速增材制造的过程，并显示如何使用可区分的模拟将简化模型与机器人游泳器的真实变形匹配。我们通过改变游泳者的拮抗肌肉的电压和驱动频率来对制造的游泳者进行多个实验。我们展示了在液态油中移动时的电压和频率如何改变游泳者的运动速度，并在前进的游泳速度下观察到明显的最佳选择。我们提出的可区分模拟模型具有各种下游应用，例如游泳者的控制和形状优化；通过我们的SIM到现实匹配，可以将优化结果直接映射回真实机器人。

公平被广泛认为是医疗保健道德的基础。在临床决策的背景下，它取决于智力的比较忠诚（基于证据或直观），指导每个患者的管理。尽管当代机器学习的个性化力量最近引起了人们的关注，但这种认知公平是在任何决策指导的背景下，无论是传统还是创新的。然而，目前没有一般的量化框架，更不用说保证了。在这里，我们根据模型的忠诚度来制定认知公平性，这些模型是对所学的多维表述评估的，这些身份的多维表示，旨在最大程度地提高人口的捕获多样性，从而引入了代表性道德模型校准的全面框架。我们证明了该框架在来自英国生物库的大规模多模式数据上的使用来得出人口的各种表示，量化模型绩效并提出了响应良好的补救。我们提供方法作为量化和确保医疗保健认知公平的原则解决方案，并在整个研究，临床和监管领域中进行了应用。

为了使软机器人在以人为本的环境中有效工作，他们需要能够根据（本体感受）传感器估算其状态和外部相互作用。估计干扰使软机器人可以执行理想的力控制。即使在刚性操纵器的情况下，最终效应器的力估计也被视为一个非平凡的问题。实际上，其他当前应对这一挑战的方法也存在防止其一般应用的缺点。它们通常基于简化的软动力学模型，例如依赖于零件的恒定曲率（PCC）近似值或匹配的刚体模型的模型，这些模型并不代表该问题的细节。因此，无法构建复杂的人类机器人互动所需的应用。有限元方法（FEM）允许以更通用的方式预测软机器人动力学。在这里，使用框架沙发的软机器人建模功能，我们构建了一个详细的FEM模型，该模型由多段的软连续机器人手臂组成，该机器人由合规的可变形材料和纤维增强的压力驱动室组成，并具有用于提供方向输出的传感器的模型。该模型用于为操纵器建立状态观察者。校准模型参数以使用物理实验匹配手动制造过程的缺陷。然后，我们解决了二次编程逆动力学问题，以计算解释姿势误差的外力的组成部分。我们的实验显示，平均力估计误差约为1.2％。由于提出的方法是通用的，因此这些结果令人鼓舞，该任务是构建可以在以人为中心的环境中部署的复杂，反应性，基于传感器的行为的软机器人。

从我们生命的最早几年开始，人类使用语言来表达我们的信念和欲望。因此，能够与人造代理讨论我们的偏好将实现价值一致性的核心目标。然而，今天，我们缺乏解释这种灵活和抽象语言使用的计算模型。为了应对这一挑战，我们考虑在线性强盗环境中考虑社会学习，并询问人类如何传达与行为的偏好（即奖励功能）。我们研究两种不同类型的语言：指令，提供有关所需政策的信息和描述，这些信息提供了有关奖励功能的信息。为了解释人类如何使用这些形式的语言，我们建议他们推理出已知和未知的未来状态：对当前的说明优化，同时描述对未来进行了推广。我们通过扩展奖励设计来考虑对国家的分配来形式化此选择。然后，我们定义了一种务实的听众，该代理人通过推理说话者如何表达自己来侵犯说话者的奖励功能。我们通过行为实验来验证我们的模型，表明（1）我们的说话者模型预测了自发的人类行为，并且（2）我们的务实的听众能够恢复其奖励功能。最后，我们表明，在传统的强化学习环境中，务实的社会学习可以与个人学习相结合并加速。我们的发现表明，从更广泛的语言中的社会学习，特别是，扩大了该领域的目前对指示的关注，以包括从描述中学习 - 是一种有前途的价值一致性和强化学习的有前途的方法。

背景：越来越多地认识到，仅根据常规临床护理得出的完全包容的大规模收集，脑部肿瘤的复杂异质性越来越多。这是当代机器学习可以促进的一项任务，尤其是在神经影像方面，但是它处理在现实世界中临床实践中常见的不完整数据的能力仍然未知。在这里，我们将最新方法应用于大规模的多站点MRI数据，以量化自动化肿瘤分割模型的比较保真度，以复制在临床现实中观察到的各种完整性水平。方法：我们将深度学习（NNU-NET衍生的）肿瘤分割模型与T1，对比增强的T1，T2和Flair Imaging序列的所有可能组合进行了比较，并在2021 Brats-brats-- RSNA胶质瘤人群为1251名患者，并对多样化的50例患者样本进行了测试。结果：经过训练的不完整数据分割病变的模型，通常等效于对完整数据培训的模型，表现为0.907（单个序列）至0.945（完整数据集）的骰子系数（全数据集），而0.701（单个序列）（单个序列）至0.891（完整的数据集中） ）用于组件组织类型。不完整的数据分割模型可以在没有对比成像的情况下准确检测增强肿瘤，从而用R2在0.95-0.97之间量化其体积。结论：深度学习分割模型在缺少数据时很好地表征了肿瘤，甚至可以在不使用对比度的情况下检测增强组织。这表明转化为临床实践（不完整的数据是常见的，可能比迄今为止认为的要容易得多，并且在减少对比鲜明使用的依赖性方面可能具有价值。

空气中的快速且通用的物体操纵是一个开放的挑战。节能和自适应的软抓地力与敏捷航空媒介相结合可以彻底改变仓库等区域的空中机器人操纵。本文提出了一个由生物启发的抓斗者，该抓地力由安装在四轮驱动器上的液压放大的静电执行器提供动力，该执行器可以与其环境安全自然地相互作用。我们抓紧的概念是由鹰的脚激励的。我们的自定义多动物概念的灵感来自蝎子尾部设计（由邻接的小袋组成的基本电极组成）和蜘蛛启发的接头（经典的小袋电动机，带有灵活的铰链层）。与单铰链概念相比，这两种设计的混合体在高达25 {\ deg}的中等偏转下实现了更高的力输出。此外，将铰链层夹紧可改善抓手的稳健性。我们第一次表明，使用静电致动，空气中的软操作可能是可能的。这项研究证明了在空中机器人操作中不受束缚的液压扩增的执行器的潜力。我们的概念证明为在移动航空系统中使用液压静电执行器的使用打开了。