远程患者监测（RPM）系统的最新进展可以识别各种人类活动，以测量生命体征，包括浅表血管的细微运动。通过解决已知的局限性和挑战（例如预测和分类生命体征和身体运动），将人工智能（AI）应用于该领域的医疗保健领域越来越兴趣，这些局限性和挑战被认为是至关重要的任务。联合学习是一种相对较新的AI技术，旨在通过分散传统的机器学习建模来增强数据隐私。但是，传统的联合学习需要在本地客户和全球服务器上培训相同的建筑模型。由于缺乏本地模型异质性，这限制了全球模型体系结构。为了克服这一点，在本研究中提出了一个新颖的联邦学习体系结构Fedstack，该体系支持结合异构建筑客户端模型。这项工作提供了一个受保护的隐私系统，用于以分散的方法住院的住院患者，并确定最佳传感器位置。提出的体系结构被应用于从10个不同主题的移动健康传感器基准数据集中，以对12个常规活动进行分类。对单个主题数据培训了三个AI模型ANN，CNN和BISTM。联合学习体系结构应用于这些模型，以建立能够表演状态表演的本地和全球模型。本地CNN模型在每个主题数据上都优于ANN和BI-LSTM模型。与同质堆叠相比，我们提出的工作表明，当地模型的异质堆叠表现出更好的性能。这项工作为建立增强的RPM系统奠定了基础，该系统纳入了客户隐私，以帮助对急性心理健康设施中患者进行临床观察，并最终有助于防止意外死亡。

Robots can complete all human-performed tasks, but due to their current lack of knowledge, some tasks still cannot be completed by them with a high degree of success. However, with the right knowledge, these tasks can be completed by robots with a high degree of success, reducing the amount of human effort required to complete daily tasks. In this paper, the FOON, which describes the robot action success rate, is discussed. The functional object-oriented network (FOON) is a knowledge representation for symbolic task planning that takes the shape of a graph. It is to demonstrate the adaptability of FOON in developing a novel and adaptive method of solving a problem utilizing knowledge obtained from various sources, a graph retrieval methodology is shown to produce manipulation motion sequences from the FOON to accomplish a desired aim. The outcomes are illustrated using motion sequences created by the FOON to complete the desired objectives in a simulated environment.

该项目旨在开发和展示一个具有智力的地面机器人，该机器人能够为不同的低高度蔬菜农作物（称为农业应用程序机器人（AAR））进行半自治的农业运营。AAR是一种轻巧的太阳电动机器人，使用智能感知来进行植物及其特征进行检测和分类。该系统还具有用于自动杂草切割过程的机器人臂。机器人可以向诸如农作物，杂草和其他害虫等靶标的肥料喷涂，杀虫剂，除草剂和其他液体。此外，它为未来对高级任务（例如收益率，农作物和土壤健康监测）的研究提供了信息。我们介绍了机器人的设计和相关的实验，这些实验显示了现实世界环境中有希望的结果。

本文介绍了我们在服务机器人中使用工业4.0资产管理壳（AASS）。我们将AASS与服务机器人的软件组件以及完整的服务机器人系统一起使用。软件组件的AAs用作标准化的数字数据表。它可以在设计时间帮助系统构建器查找和选择匹配要构建系统的系统级要求的软件组件。系统的AAS包括用于系统的数据表，并在运行时运行数据收集，并允许对服务机器人的技能级别命令。作为我们的模型驱动开发和服务机器人技术的组成工作流程的一部分，AAS是生成和填充的。AASS可以作为标准化集成和与服务机器人交互的关键推动器。

大多数古典规划者使用接地作为预处理步骤，基本上减少了命题逻辑的规划。然而，接地涉及使用具体对象组合实例化所有动作规则，并导致基于SAT / QBF的规划仪的大编码。当动作有许多参数时，这种严重成本成为主要的瓶颈，例如IPC 2018竞争中的有机合成问题。我们提供了一个紧凑的QBF编码，它是对数的对数，并通过使用对象组合的通用量化完全避免接地。我们表明我们可以解决一些有机综合问题，该问题不能通过任何SAT / QBF基于基于统一策略者处理的有机合成问题。