预计机器人将取代诸如家务之类的琐碎任务。其中一些任务包括执行的无毛线操作，而无需抓住对象。非忧虑的操作非常困难，因为它需要考虑环境和对象的动态。因此，模仿复杂行为需要大量的人类示范。在这项研究中，提出了一种自我监督的学习，该学习认为动态以实现可变速度进行非骚扰操作。所提出的方法仅收集自主操作期间获得的成功动作数据。通过微调成功的数据，机器人可以学习自身，环境和对象之间的动态。我们尝试使用对24个人类收集的培训数据训练的神经网络模型来挖掘和运输煎饼的任务。所提出的方法将成功率从40.2％提高到85.7％，并成功完成了其他物体的任务超过75％。

本文提出了一种新颖的互动计划方法，该方法仅使用触觉信息来利用阻抗调谐技术，以应对环境不确定性和不可预测的条件。拟议的算法根据与环境的触觉互动并根据需要调整计划策略的触觉计划。考虑了两种方法：探索和弹跳策略。勘探策略在计划中考虑了机器人的实际运动，而弹跳策略则利用了机器人的力量和运动向量。此外，根据计划的轨迹进行自我调整阻抗，以确保合规接触和低接触力。为了显示拟议方法论的性能，进行了两个具有扭矩控制器机器人臂的实验。第一个认为没有障碍的迷宫探索，而第二个包括障碍。在两种情况下，分析了提出的方法性能并与先前提出的解决方案进行比较。实验结果表明：i）机器人可以根据与环境的相互作用在最可行的方向上成功地计划其轨迹，ii）尽管达到了不确定性，但与未知环境的合规性相互作用。最后，进行了可伸缩性演示，以显示在多种情况下提出的方法的潜力。

在本研究中，我们提出了一种模拟绘图/研磨轨迹的局部和全局特征的方法，通过分层变分自动化器（VAES）。通过将两个单独训练的VAE模型组合在分层结构中，可以为本地和全局特征产生高再现性的轨迹。分层生成网络使得能够生成具有相对较少量的训练数据的高阶轨迹。模拟和实验结果表明了该方法的泛化性能。此外，我们确认可以通过改变学习模型的组合来生成过去从未学到过的新轨迹。

通过使用传统的控制器大学难以实现现实世界中的机器人运动的产生，并且需要高度智能处理。在这方面，目前正在研究基于学习的运动世代。然而，主要问题已经改善了对空间不同环境的适应性，但是没有详细研究操作速度的变化。在富有的接触任务中，能够调整操作速度尤为重要，因为在操作速度和力（例如，惯性和摩擦力）之间发生非线性关系，并且它会影响任务的结果。因此，在本研究中，我们提出了一种用于产生可变操作速度的方法，同时适应环境中的空间扰动。所提出的方法可以通过利用少量运动数据来适应非线性。我们通过用固定到机器人尖端的擦除作为富有的接触任务的示例，通过擦除一条线来通过擦除一条线来评估所提出的方法。此外，所提出的方法使得机器人能够比人类运营商更快地执行任务，并且能够接近控制带宽。

This study proposed a novel robotic gripper that can achieve grasping and infinite wrist twisting motions using a single actuator. The gripper is equipped with a differential gear mechanism that allows switching between the grasping and twisting motions according to the magnitude of the tip force applied to the finger. The grasping motion is activated when the tip force is below a set value, and the wrist twisting motion is activated when the tip force exceeds this value. "Twist grasping," a special grasping mode that allows the wrapping of a flexible thin object around the fingers of the gripper, can be achieved by the twisting motion. Twist grasping is effective for handling objects with flexible thin parts, such as laminated packaging pouches, that are difficult to grasp using conventional antipodal grasping. In this study, the gripper design is presented, and twist grasping is analyzed. The gripper performance is experimentally validated.

Robotic hands with soft surfaces can perform stable grasping, but the high friction of the soft surfaces makes it difficult to release objects, or to perform operations that require sliding. To solve this issue, we previously developed a contact area variable surface (CAVS), whose friction changed according to the load. However, only our fundamental results were previously presented, with detailed analyses not provided. In this study, we first investigated the CAVS friction anisotropy, and demonstrated that the longitudinal direction exhibited a larger ratio of friction change. Next, we proposed a sensible CAVS, capable of providing a variable-friction mechanism, and tested its sensing and control systems in operations requiring switching between sliding and stable-grasping modes. Friction sensing was performed using an embedded camera, and we developed a gripper using the sensible CAVS, considering the CAVS friction anisotropy. In CAVS, the low-friction mode corresponds to a small grasping force, while the high-friction mode corresponds to a greater grasping force. Therefore, by controlling only the friction mode, the gripper mode can be set to either the sliding or stable-grasping mode. Based on this feature, a methodology for controlling the contact mode was constructed. We demonstrated a manipulation involving sliding and stable grasping, and thus verified the efficacy of the developed sensible CAVS.

This letter proposes a novel single-fingered reconfigurable robotic gripper for grasping objects in narrow working spaces. The finger of the developed gripper realizes two configurations, namely, the insertion and grasping modes, using only a single motor. In the insertion mode, the finger assumes a thin shape such that it can insert its tip into a narrow space. The grasping mode of the finger is activated through a folding mechanism. Mode switching can be achieved in two ways: switching the mode actively by a motor, or combining passive rotation of the fingertip through contact with the support surface and active motorized construction of the claw. The latter approach is effective when it is unclear how much finger insertion is required for a specific task. The structure provides a simple control scheme. The performance of the proposed robotic gripper design and control methodology was experimentally evaluated. The minimum width of the insertion space required to grasp an object is 4 mm (1 mm, when using a strategy).

域适应性（DA）旨在转移标记良好的源域的知识，以促进未标记的目标学习。当转向特定的任务，例如室内（Wi-Fi）本地化时，必须学习跨域回归剂以减轻域移位。本文提出了一种新颖的方法对抗性双向反应器网络（ABRNET），以寻求更有效的跨域回归模型。具体而言，开发了差异的双向试剂架构，以最大化双向试验的差异，以发现远离源分布的不确定目标实例，然后在特征提取器和双回归器之间采用了对抗性训练机制，以产生域内不变的表示。为了进一步弥合大域间隙，设计了一个特定域的增强模块，旨在合成两个源相似和类似的类似中间域，以逐渐消除原始域的不匹配。对两个跨域回归基准的实证研究说明了我们方法解决域自适应回归（DAR）问题的力量。

半eme被定义为人类语言的最低语义单元。半知识库（KBS）包含带有Sememes的单词的单词，已成功应用于许多NLP任务，我们相信，通过学习最小的含义单位，计算机可以更容易理解人类的语言。但是，现有的sememe kb仅基于手动注释，人类注释具有个人理解偏见，并且随着时间的流逝，词汇的含义将不断更新和改变，而人为的方法并不总是实用的。为了解决这个问题，我们提出了一种基于深群集网络（DCN）的无监督方法来构建半eme KB，您可以使用任何语言通过此方法来构建KB。我们首先学习多语言单词的分布式表示形式，使用缪斯在单个矢量空间中对齐它们，通过自我发项机制学习每个单词的多层含义，并使用DNC来群集半eme。最后，我们仅使用英语的10维半度空间完成了预测。我们发现，低维空间仍然可以保留SEMEMES的主要特征。

最近已将基于学习的THZ多层成像用于非接触式三维（3D）定位和编码。我们通过实验验证，展示了新兴量子机学习（QML）框架的概念验证演示，以应对深度变化，阴影效应和双面内容识别。