量化人体取向的安全性是人类机器人相互作用的重要问题。了解人类运动的身体限制不断变化，可以改善对安全人类运动的检查，并通过实时风险评估带来有关人体定向的稳定性和正常性的基本信息。此外，这些信息可以用于合作机器人和监视系统中，以更自由地评估和互动。此外，工作空间区域可以更确定性地具有安全性的身体特征。基于这种动机，我们提出了一种新型的预测安全模型（PSM），该模型依赖于人类胸部的惯性测量单元的信息。 PSM涵盖了一个3型弹簧型摆锤模型，该模型基于安全运动数据集预测人类运动。通过将安全数据集和弹性弹簧抑制模型集成的方式，该方法可以在建议的方法可以在不同的安全水平下实现复杂的运动来获得人类的估计安全取向。我们在现实情况下进行了实验，以验证我们的新型模型。这种新颖的方法可以在不同的指导/辅助机器人和健康监测系统中使用，以支持和评估人类状况，尤其是长者。

新兴的高级控制应用程序，软件的复杂性增加，但计算资源有限，这表明实时控制器应具有适应性的设计。这些控制策略还应考虑系统的运行时行为。这样的研究尝试之一是与任务调度程序一起设计控制器（称为控制式共同设计），以进行更可预测的时序行为以及幸存的系统过载。与具有相等距离采样周期的传统控制器设计不同，共同设计方法通过明确考虑定时属性，例如使用基于事件的控制器或多个采样时间（非均匀的采样和控制），从而提高了系统的灵活性和弹性）。在这种情况下，我们介绍了基于能量控制器的离散化的第一项工作，该工作可以在多个周期之间任意切换并相应地调整控制参数而不会破坏系统的稳定。引入了基于此范围的DC电机的数字控制器设计，以弹性负载为例，并根据提议的Lyapunov函数给出稳定性条件。该方法通过各种基于计算机的模拟进行评估，以证明其有效性。

当球体在平面上遵循直线路径时，本文涉及旋转轧制球体的运动规划。由于球体的运动受到直线的约束，因此球体的旋转运动的控制对于收敛到球体的期望配置是必不可少的。在本文中，我们展示了一种基于新的基于几何的规划方法，其基于该非线性系统的全状态描述。首先，提出了运动规划的问题陈述。接下来，我们通过使用Darboux帧运动学开发作为虚拟表面实现的几何控制器。该虚拟表面产生基于弧长的输入，用于控制球体的轨迹。然后，迭代算法旨在调整所需配置的这些输入。模拟验证了所提出的方法的可行性。

Vision-based tactile sensors have gained extensive attention in the robotics community. The sensors are highly expected to be capable of extracting contact information i.e. haptic information during in-hand manipulation. This nature of tactile sensors makes them a perfect match for haptic feedback applications. In this paper, we propose a contact force estimation method using the vision-based tactile sensor DIGIT, and apply it to a position-force teleoperation architecture for force feedback. The force estimation is done by building a depth map for DIGIT gel surface deformation measurement and applying a regression algorithm on estimated depth data and ground truth force data to get the depth-force relationship. The experiment is performed by constructing a grasping force feedback system with a haptic device as a leader robot and a parallel robot gripper as a follower robot, where the DIGIT sensor is attached to the tip of the robot gripper to estimate the contact force. The preliminary results show the capability of using the low-cost vision-based sensor for force feedback applications.

背景：最近，在疫苗接种率相对较高的地区，已经报告了大量的每日CoVID-19例阳性病例。因此，助推器疫苗接种已成为必要。此外，尚未深入讨论由不同变体和相关因素引起的感染。具有较大的变异性和不同的共同因素，很难使用常规数学模型来预测Covid-19的发生率。方法：基于长期短期记忆的机器学习被应用于预测新每日阳性病例（DPC），严重病例，住院病例和死亡的时间序列。从以色列等疫苗接种率高的地区获得的数据与日本其他地区的当前数据混合在一起，以考虑疫苗接种的潜在影响。还考虑了症状感染提供的保护，从疫苗接种的人口效力以及病毒变异的减弱保护，比率和感染性的降低。为了代表公共行为的变化，分析还包括通过社交媒体进行的公共流动性和通过社交媒体的互动。研究结果：比较特拉维夫，以色列观察到的新DPC，表征疫苗接种效果的参数和免受感染的减弱保护； 5个月后第二剂量的疫苗接种效率和三角变体感染后两周后的第三剂量分别为0.24和0.95。使用有关疫苗接种效果的提取参数，复制了日本三个县的新病例。