WikiEdge:ArXiv速递/2025-04-24

摘要

• 原文标题：Design and benchmarking of a two degree of freedom tendon driver unit for cable-driven wearable technologies
• 中文标题：二自由度肌腱驱动单元的设计与性能评估——面向缆驱可穿戴技术
• 发布日期：2025-04-24 16:49:21+00:00
• 作者：Adrian Esser, Chiara Basla, Peter Wolf, Robert Riener
• 分类：eess.SY, cs.SY
• 原文链接：http://arxiv.org/abs/2504.17736v1

中文摘要：外骨骼服作为刚性外骨骼的替代方案近年来得到发展，并日益应用于临床和家庭环境中上肢与下肢治疗与辅助。虽然已开发出多种线驱动外骨骼服，但其机电设计与性能的公开研究甚少。为此，本文针对线驱动可穿戴外骨骼服提出一种二自由度肌腱驱动单元（TDU）的全面设计与性能分析。研究详细阐述了TDU功能基准测试方法：静态扭矩输出测试对比指令扭矩与实测扭矩；速度控制测试评估不同速度下的衰减与相位偏移；噪声测试量化穿戴者感知的TDU运行声响；热应力测试记录冷却性能以确保高负载安全运行；电池续航测试评估不同负载条件下的持续运行时间。为验证测试方案，本文推出模块化线驱动TDU系统，其电机、滑轮和传感器等组件可根据应用需求灵活调整。通过分享详细方法论与性能数据，本研究旨在提供可复用的TDU设计方案，并为研究人员和工程师提供系统化记录TDU设计性能的参考框架。

摘要

• 原文标题：Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence
• 中文标题：联邦学习：隐私保护协同智能综述
• 发布日期：2025-04-24 16:10:29+00:00
• 作者：Edward Collins, Michel Wang
• 分类：cs.LG, cs.AI
• 原文链接：http://arxiv.org/abs/2504.17703v1

中文摘要：联邦学习（FL）已成为分布式机器学习领域的变革性范式，它允许多个客户端（如移动设备、边缘节点或组织）在不集中敏感数据的情况下协作训练共享全局模型。这种去中心化方法解决了数据隐私、安全性和监管合规性方面日益增长的担忧，使其在医疗保健、金融和智能物联网系统等领域特别具有吸引力。本综述对联邦学习进行了简明而全面的概述，从其核心架构和通信协议开始。我们讨论了标准FL生命周期，包括本地训练、模型聚合和全局更新。特别强调了关键的技术挑战，如处理非独立同分布（non-IID）数据、缓解系统异构性和硬件异构性、减少通信开销，以及通过差分隐私和安全聚合等机制确保隐私。此外，我们探讨了FL研究的新兴趋势，包括个性化联邦学习、跨设备联邦学习与跨孤岛联邦学习设置，以及与其他范式（如强化学习和量子计算）的集成。我们还重点介绍了实际应用，并总结了FL研究中常用的基准数据集和评估指标。最后，我们概述了开放的研究问题和未来方向，以指导可扩展、高效和可信赖的FL系统的开发。