在本文中，使用聚类和阈值算法实现了DIBA数据集细菌属和物种的半自动注释。深度学习模型经过训练，以实现细菌物种的语义分割和分类。分类精度达到95％。深度学习模型在生物医学图像处理中发现了巨大的应用。从革兰氏阴性微观图像中自动分割细菌对于诊断呼吸道和尿路感染，检测癌症等至关重要。深度学习将有助于生物学家在更少的时间内获得可靠的结果。此外，可以减少许多人类干预措施。这项工作可能有助于检测尿液涂片图像，痰液涂片图像等的细菌，以诊断尿路感染，结核病，肺炎等。

This paper proposes a novel controller framework that provides trajectory tracking for an Aerial Manipulator (AM) while ensuring the safe operation of the system under unknown bounded disturbances. The AM considered here is a 2-DOF (degrees-of-freedom) manipulator rigidly attached to a UAV. Our proposed controller structure follows the conventional inner loop PID control for attitude dynamics and an outer loop controller for tracking a reference trajectory. The outer loop control is based on the Model Predictive Control (MPC) with constraints derived using the Barrier Lyapunov Function (BLF) for the safe operation of the AM. BLF-based constraints are proposed for two objectives, viz. 1) To avoid the AM from colliding with static obstacles like a rectangular wall, and 2) To maintain the end effector of the manipulator within the desired workspace. The proposed BLF ensures that the above-mentioned objectives are satisfied even in the presence of unknown bounded disturbances. The capabilities of the proposed controller are demonstrated through high-fidelity non-linear simulations with parameters derived from a real laboratory scale AM. We compare the performance of our controller with other state-of-the-art MPC controllers for AM.

本文提出了秤，这是一个一般框架，将公平原则转化为基于约束马尔可夫决策过程（CMDP）的共同表示。借助因果语言，我们的框架可以在决策过程（程序公平）以及决策（结果公平）产生的结果上构成限制。具体而言，我们表明可以将众所周知的公平原理编码为实用程序组件，非毒性组件或鳞片中心中的因果分量。我们使用涉及模拟医疗方案和现实世界中Compas数据集的一组案例研究来说明量表。实验表明，我们的框架产生了公平的政策，这些政策在单步和顺序决策方案中体现了替代公平原则。

在未来几十年中，自动驾驶将普遍存在。闲置在交叉点上提高自动驾驶的安全性，并通过改善交叉点的交通吞吐量来提高效率。在闲置时，路边基础设施通过卸载从车辆到路边基础设施的知觉和计划，在交叉路口远程驾驶自动驾驶汽车。为了实现这一目标，iDriving必须能够以全帧速率以较少100毫秒的尾声处理大量的传感器数据，而无需牺牲准确性。我们描述了算法和优化，使其能够使用准确且轻巧的感知组件实现此目标，该组件是从重叠传感器中得出的复合视图的原因，以及一个共同计划多个车辆的轨迹的计划者。在我们的评估中，闲置始终确保车辆的安全通过，而自动驾驶只能有27％的时间。与其他方法相比，闲置的等待时间还要低5倍，因为它可以实现无流量的交叉点。

本文介绍了一种名为“ Hand of Hands”的新颖协作教育游戏的设计，实施和评估，涉及我们设计的儿童和定制的社交机器人（\ Emph {hakshe}）。通过这个游戏平台，我们旨在向儿童讲授适当的手卫生实践，并探索在这种环境中亲社会机器人与儿童之间发生的互动程度。我们将游戏化与计算机作为社会演员（CASA）范式融合在一起，以将机器人作为社会演员或游戏中的其他玩家建模。该游戏是使用Godot的2D引擎和Alice 3开发的。在这项研究中，32名参与者通过视频电视节目平台\ Emph {Zoom}在线玩游戏。为了理解亲社会机器人对儿童互动的影响，我们将研究分为两个条件：裸露和没有裸露。对儿童互动的标题和视频分析的详细分析表明，我们的平台帮助孩子学习了良好的手工卫生实践。我们还发现，尽管学习本身并没有受到机器人的亲社会性影响，但使用亲社会机器人会创造出令人愉悦的互动和更大的社交互动。

Covid-19大流行是人类的祸害，宣称全世界超过500万人的生活。虽然疫苗正在全世界分布，但表观需要实惠的筛选技术，以便为无法获得传统医学的世界服务。人工智能可以提供利用咳嗽声音作为主要筛选模式的解决方案。本文介绍了多种模型，这些模型在学术文献目前呈现的最大评估数据集上取得了相对尊敬的性能。此外，我们还显示性能随着培训数据规模而增加，表明世界各地的数据收集，以帮助使用非传统方式对抗Covid-19大流行。

本文介绍了一种具有三个自由度（3DOF）的新型被动三输出差异，其将动作和扭矩从单个输入转换为三个输出。建议的三输出开放式差分设计使其功能类似于传统的双输出开放差分的功能。也就是说，当输出不受约束或经受等效的负载条件时，差动将相等的运动和扭矩转换为其三个输出。介绍的设计是第一种具有三个输出的差异，以实现这一结果。三个输出之间的差动动作被动地通过三个双输出开放差分和三个二输入打开差分的对称布置来实现。所得到的差分机制实现了输出所有三个输出的角速度和扭矩关系的等效输入的新颖结果。此外，三输出开放差异实现了具有多于两个输出的差分的新颖结果，其中每个输出共享与所有其他输出的等效角速度和扭矩关系。使用键盘图方法导出三输出开放差分的运动学和动态。另外，呈现了差分机制的优点以及其电流和潜在的应用。

量化概率分布之间的异化的统计分歧（SDS）是统计推理和机器学习的基本组成部分。用于估计这些分歧的现代方法依赖于通过神经网络（NN）进行参数化经验变化形式并优化参数空间。这种神经估算器在实践中大量使用，但相应的性能保证是部分的，并呼吁进一步探索。特别是，涉及的两个错误源之间存在基本的权衡：近似和经验估计。虽然前者需要NN课程富有富有表现力，但后者依赖于控制复杂性。我们通过非渐近误差界限基于浅NN的基于浅NN的估计的估算权，重点关注四个流行的$ \ mathsf {f} $ - 分离 - kullback-leibler，chi squared，squared hellinger，以及总变异。我们分析依赖于实证过程理论的非渐近功能近似定理和工具。界限揭示了NN尺寸和样品数量之间的张力，并使能够表征其缩放速率，以确保一致性。对于紧凑型支持的分布，我们进一步表明，上述上三次分歧的神经估算器以适当的NN生长速率接近Minimax率 - 最佳，实现了对数因子的参数速率。

本文介绍了管道内攀岩机器人的设计，该机器人使用新的“三输出开放差分”（3-OOD）机制来遍历管道的复杂网络。传统的轮式/履带式攀爬机器人易于滑动和拖动，同时穿过管道弯曲。3-OOD机制有助于实现在运动过程中消除滑动和在机器人轨道中拖动的新颖结果。所提出的差异实现了传统的双输出差分的功能能力，这是第一次与三个输出的差分实现的。通过消除对管网内部的每个轨道的力来机械地机械地调制机器人的轨道速度，通过消除对任何主动控制的需要。在不同方向和管弯的管网中横穿的机器人的模拟显示出所提出的设计的有效性。