本文介绍了机器人系统的安全关键控制的框架，当配置空间中的安全区域上定义了安全区域时。为了保持安全性，我们基于控制屏障函数理论综合安全速度而不依赖于机器人的A可能复杂的高保真动态模型。然后，我们跟踪跟踪控制器的安全速度。这使得在无模型安全关键控制中。我们证明了拟议方法的理论安全保障。最后，我们证明这种方法是适用于棘手的。我们在高保真仿真中使用SEGWAY执行障碍避免任务，以及在硬件实验中的无人机和Quadruped。

Data-driven modeling approaches such as jump tables are promising techniques to model populations of resistive random-access memory (ReRAM) or other emerging memory devices for hardware neural network simulations. As these tables rely on data interpolation, this work explores the open questions about their fidelity in relation to the stochastic device behavior they model. We study how various jump table device models impact the attained network performance estimates, a concept we define as modeling bias. Two methods of jump table device modeling, binning and Optuna-optimized binning, are explored using synthetic data with known distributions for benchmarking purposes, as well as experimental data obtained from TiOx ReRAM devices. Results on a multi-layer perceptron trained on MNIST show that device models based on binning can behave unpredictably particularly at low number of points in the device dataset, sometimes over-promising, sometimes under-promising target network accuracy. This paper also proposes device level metrics that indicate similar trends with the modeling bias metric at the network level. The proposed approach opens the possibility for future investigations into statistical device models with better performance, as well as experimentally verified modeling bias in different in-memory computing and neural network architectures.

有效地对远程依赖性建模是序列建模的重要目标。最近，使用结构化状态空间序列（S4）层的模型在许多远程任务上实现了最先进的性能。 S4层将线性状态空间模型（SSM）与深度学习技术结合在一起，并利用HIPPO框架进行在线功能近似以实现高性能。但是，该框架导致了架构约束和计算困难，使S4方法变得复杂，可以理解和实施。我们重新审视这样的想法，即遵循河马框架对于高性能是必要的。具体而言，我们替换了许多独立的单输入单输出（SISO）SSM的库S4层与一个多输入的多输出（MIMO）SSM一起使用，并具有降低的潜在尺寸。 MIMO系统的缩小潜在维度允许使用有效的并行扫描，从而简化了将S5层应用于序列到序列转换所需的计算。此外，我们将S5 SSM的状态矩阵初始化，其近似与S4 SSMS使用的河马级矩阵近似，并表明这是MIMO设置的有效初始化。 S5与S4在远程任务上的表现相匹配，包括在远程竞技场基准的套件中平均达到82.46％，而S4的80.48％和最佳的变压器变体的61.41％。

小型航空车的重量，空间和功率限制通常会阻止现代控制技术的应用，而无需简化大量模型。此外，高速敏捷行为（例如在无人机赛车中表现出来的行为）使这些简化的模型过于不可靠，无法安全至关重要。在这项工作中，我们介绍了时变备份控制器（TBC）的概念：用户指定的操作与备份控制器相结合，该备份控制器生成了参考轨迹，从而确保了非线性系统的安全性。与传统的备份控制器相比，TBC减少了保守主义，可以直接应用于多机构协调以确保安全性。从理论上讲，我们提供了严格减少保守主义的条件，描述了如何在多个TBC之间切换并显示如何将TBC嵌入多代理设置。在实验上，我们验证TBC在过滤飞行员的动作时会安全地增加操作自由，并在将两个四肢的分散安全过滤应用于分散的安全过滤时，证明了稳健性和计算效率。

语言模型既展示了定量的改进，又展示了新的定性功能，随着规模的增加。尽管它们具有潜在的变革性影响，但这些新能力的特征却很差。为了为未来的研究提供信息，为破坏性的新模型能力做准备，并改善社会有害的效果，至关重要的是，我们必须了解目前和近乎未来的能力和语言模型的局限性。为了应对这一挑战，我们介绍了超越模仿游戏基准（Big Bench）。 Big Bench目前由204个任务组成，由132家机构的442位作者贡献。任务主题是多样的，从语言学，儿童发展，数学，常识性推理，生物学，物理学，社会偏见，软件开发等等。 Big-Bench专注于被认为超出当前语言模型的功能的任务。我们评估了OpenAI的GPT型号，Google内部密集变压器体系结构和大型基础上的开关稀疏变压器的行为，跨越了数百万到数十亿个参数。此外，一个人类专家评估者团队执行了所有任务，以提供强大的基准。研究结果包括：模型性能和校准都随规模改善，但绝对的术语（以及与评估者的性能相比）；在模型类中的性能非常相似，尽管带有稀疏性。逐渐和预测的任务通常涉及大量知识或记忆成分，而在临界规模上表现出“突破性”行为的任务通常涉及多个步骤或组成部分或脆性指标；社交偏见通常会随着含糊不清的环境而随着规模而增加，但这可以通过提示来改善。

本文详细说明了实际确保远程赛车赛车的安全性的理论和实施。我们在超过100公里/小时的速度上展示了7“赛车无人机的强大和实用性保证，仅在10克微控制器上仅使用在线计算。为了实现这一目标，我们利用了控制屏障功能的框架（CBFS）保证安全编码为前向集不变性。为了使该方法实际上是适用的，我们介绍了一个隐式定义的CBF，它利用备份控制器来实现可确保安全性的渐变评估。应用于硬件的方法，这是平滑，最微不足道的改变飞行员的所需输入，使他们能够在不担心崩溃的情况下推动他们的无人机的极限。此外，该方法与预先存在的飞行控制器配合工作，导致在没有附近的安全风险时不妨碍飞行。额外的效益包括安全性和稳定性在失去视线或在无线电故障时失去时的无人机。

它是由Thom和Palm所说的，稀疏连接的神经网络（SCNS）显示出完全连接的网络（FCN）的改进性能。超常规网络（SRNS）是由一组堆叠稀疏层组成的神经网络（epsilon，delta） - 常规对和随机置换的节点顺序组成。使用爆破引理，我们证明，由于每对层的各个超规律性，SRNS保证了许多属性，使它们为许多任务提供适用于FCN的替代品。这些保证包括所有大足够大的子集，最小节点内和OUT度，输入 - 输出灵敏度以及嵌入预培训构造的能力的边缘均匀性。实际上，SRNS具有像FCN一样行动的能力，并消除对耗时的昂贵正则化方案的需求。我们表明SRNS通过易于可重复的实验表现出与X-NET相似，并提供更大的保证和对网络结构的控制。

迄今为止，迄今为止，众所周知，对广泛的互补临床相关任务进行了全面比较了医学图像登记方法。这限制了采用研究进展，以防止竞争方法的公平基准。在过去五年内已经探讨了许多新的学习方法，但优化，建筑或度量战略的问题非常适合仍然是开放的。 Learn2reg涵盖了广泛的解剖学：脑，腹部和胸部，方式：超声波，CT，MRI，群体：患者内部和患者内部和监督水平。我们为3D注册的培训和验证建立了较低的入境障碍，这帮助我们从20多个独特的团队中汇编了65多个单独的方法提交的结果。我们的互补度量集，包括稳健性，准确性，合理性和速度，使得能够独特地位了解当前的医学图像登记现状。进一步分析监督问题的转移性，偏见和重要性，主要是基于深度学习的方法的优越性，并将新的研究方向开放到利用GPU加速的常规优化的混合方法。

手腕驱动的矫形器设计用于帮助脊髓损伤的人，然而，这种控制策略所施加的运动限制可以阻碍移动性并导致身体运动异常。本研究表征了使用新型尼古斯掌握器，一种适配器矫正器的身体补偿，允许对未受害手动功能进行对象掌握的掌握。受试者执行一系列掌握和释放任务，以比较正常（测试控制）和约束的腕驱动模式，显示出由于约束而显示的显着补偿。电动机增强模式也与传统的手推车运作进行比较，以探讨混合人体机器人控制的潜在作用。我们发现被动手推车和电机增强模式都满足了在测试的各种任务中实现了不同的角色。因此，我们得出结论，一种灵活的控制方案，可以基于手头的任务改变干预的措施具有减少未来工作补偿的可能性。

通过更好地了解多层网络的损失表面，我们可以构建更强大和准确的培训程序。最近发现，独立训练的SGD解决方案可以沿近持续训练损失的一维路径连接。在本文中，我们表明存在模式连接的单纯复合物，形成低损耗的多维歧管，连接许多独立培训的型号。灵感来自这一发现，我们展示了如何有效地建立快速合奏的单纯性复杂，表现优于准确性，校准和对数据集移位的鲁棒性的独立培训的深度集合。值得注意的是，我们的方法只需要几个训练时期来发现低损失单纯乳，从预先接受训练的解决方案开始。代码可在https://github.com/g-benton/loss-surface-simplexes中获得。