With the application of lithium batteries more and more widely, in order to accurately estimate the state of charge (SoC) of the battery, this paper uses the iterated extended Kalman filter (IEKF) algorithm to estimate the SoC. The Levenberg–Marquardt (LM) method is used to optimize the error covariance matrix of IKEF. Based on the hybrid pulse power characteristics experiment, a second-order Thevenin model with variable parameters is established on the MATLAB platform. The experimental results show that the proposed model is effective under the constant current discharge condition, the Federal Urban Driving Schedule (FUDS) condition, and the Beijing dynamic stress test (BJDST) condition. The results show that the simulation error of the improved LM-IEKF algorithm is less than 2% under different working conditions, which is lower than that of the IKEF algorithm. The improved algorithm has a fast convergence speed to the true value, and it has a good estimation accuracy in the case of large changes in external input current. Additionally, the fluctuation of error is relatively stable, which proves the reliability of the algorithm.

Engineered hydrogel patches have shown promising therapeutic effects in the treatment of myocardial infarction (MI), especially anisotropic patches that mimic the characteristics of native myocardium have attracted widespread attention. However, it remains a great challenge to develop cardiac patches with long-range and orderly electrical conduction based on an effective, mild, and rapid strategy. Here, a multifunctional anisotropic cardiac patch is presented based on microfluidic manipulation. The anisotropic alginate-gelatin methacrylate hydrogel patches are easily and rapidly prepared through microfluidic focusing, ion-photocrosslinking, and parallel packing processes. The fluid-based anisotropic realization process does not involve complex machining and strong field stimulation and is compatible with the loading of macromolecular biological agents. The anisotropic hydrogel patch can mimic the anisotropy of the myocardium and guide the directional polarization of cardiomyocytes. In animal model experiments, it also exhibits significant effects in inhibiting ventricular remodeling, fibrosis, and enhancing cardiac function recovery after MI. These comprehensive features make the multifunctional hydrogel patch a promising candidate for cardiac tissue repair and future provide a new paradigm for expanding microfluidic technology to solve tissue engineering challenges.

In target detection, tracking, and recognition tasks, high-quality images can achieve better results. However, in actual scenarios, the visual effects and data quality of images are greatly reduced due to the influence of environmental factors, which affect subsequent detection, recognition, and other tasks. Therefore, this paper proposes an image rain removal algorithm based on multi-scale features, which can effectively remove rain streaks. First of all, this paper proposes a deraining algorithm that combines spatial information to improve the network’s generalization ability on real images, aiming at the problem of synthetic datasets used by previous deraining algorithms. Then, by proposing a multi-scale rain removal algorithm, it improves the feature extraction capabilities of existing deraining algorithms. Before extracting deep rain features, a preliminary fusion of multi-scale shallow features can be performed, which can show better performance in images of different sizes. In addition, a spatial attention module and channel are introduced. The attention module increases the ability to extract rain information at each scale; the resulting multi-scale feature image rain removal algorithm is called MFD. Finally, the rain removal algorithm is validated on the rain removal dataset, and the proposed method can effectively remove rain patterns, provide strong performance improvement on several datasets in the image rain removal task, and provide high-quality images for subsequent detection and recognition tasks.

We survey applications of pretrained foundation models in robotics. Traditional deep learning models in robotics are trained on small datasets tailored for specific tasks, which limits their adaptability across diverse applications. In contrast, foundation models pretrained on internet-scale data appear to have superior generalization capabilities, and in some instances display an emergent ability to find zero-shot solutions to problems that are not present in the training data. Foundation models may hold the potential to enhance various components of the robot autonomy stack, from perception to decision-making and control. For example, large language models can generate code or provide common sense reasoning, while vision-language models enable open-vocabulary visual recognition. However, significant open research challenges remain, particularly around the scarcity of robot-relevant training data, safety guarantees and uncertainty quantification, and real-time execution. In this survey, we study recent papers that have used or built foundation models to solve robotics problems. We explore how foundation models contribute to improving robot capabilities in the domains of perception, decision-making, and control. We discuss the challenges hindering the adoption of foundation models in robot autonomy and provide opportunities and potential pathways for future advancements. The GitHub project corresponding to this paper can be found here: https://github.com/robotics-survey/Awesome-Robotics-Foundation-Models .

Although deep neural networks have been successfully applied in many fields, research studies show that neural network models are easily disrupted by small malicious inputs, greatly reducing their performance. Such disruptions are known as adversarial attacks. To reduce the impact of adversarial attacks on models, researchers have proposed adversarial training methods. However, compared with standard training, adversarial training results in additional computational overhead and training time. To improve the training effect without significantly increasing the training time, an improved Fast-M adversarial training algorithm based on the fast adversarial training algorithm is proposed in this paper. Extensive comparative experiments are conducted with the MNIST, CIFAR10, and CIFAR100 datasets. The results show that the Fast-M algorithm achieves the same training effect as the commonly used projected gradient descent (PGD) adversarial training method, with a training time that is only one-third of that of PGD and a performance comparable to that of fast adversarial training, demonstrating the proposed algorithm’s effectiveness.