In this paper, we propose an end-to-end grasp evaluation model to address the challenging problem of localizing robot grasp configurations directly from the point cloud. Compared to recent grasp evaluation metrics that are based on handcrafted depth features and a convolutional neural network (CNN), our proposed PointNetGPD is lightweight and can directly process the 3D point cloud that locates within the gripper for grasp evaluation. Taking the raw point cloud as input, our proposed grasp evaluation network can capture the complex geometric structure of the contact area between the gripper and the object even if the point cloud is very sparse. To further improve our proposed model, we generate a larger-scale grasp dataset with 350k real point cloud and grasps with the YCB object set for training. The performance of the proposed model is quantitatively measured both in simulation and on robotic hardware. Experiments on object grasping and clutter removal show that our proposed model generalizes well to novel objects and outperforms state-of-the-art methods. Code and video are available at \href{https://lianghongzhuo.github.io/PointNetGPD}{https://lianghongzhuo.github.io/PointNetGPD}

The robotic grasp detection is a great challenge in the area of robotics. Previous work mainly employs the visual approaches to solve this problem. In this paper, a hybrid deep architecture combining the visual and tactile sensing for robotic grasp detection is proposed. We have demonstrated that the visual sensing and tactile sensing are complementary to each other and important for the robotic grasping. A new THU grasp dataset has also been collected which contains the visual, tactile and grasp configuration information. The experiments conducted on a public grasp dataset and our collected dataset show that the performance of the proposed model is superior to state of the art methods. The results also indicate that the tactile data could help to enable the network to learn better visual features for the robotic grasp detection task.

BACKGROUND: Due to the unfavourable neck-shoulder muscle loads caused by poor posture, the people who use the laptop for a long time may face the risk of neck and shoulder injuries. OBJECTIVE: The purpose of this study investigates the impact of the screen height on the muscle activation of head flexion, neck and shoulder, and the cervical spine torque to provide the favorite screen height for laptop user. METHODS: Twelve healthy young participants completed a15-minute task of the reading at the four different screen heights. sEMG signals of the splenius capitis (SC) and upper trapezius (UT) were measured and calculated the root mean square (RMS) and mean power frequency (MPF) to determine muscle fatigue. The different height of laptop users was simulated and the forces on the spine of users at different screen heights were analyzed by Jack. RESULTS: Adjusting the height of the laptop screen can effectively reduce head flexion and muscle activity of SC and UT, and has a positive effect on reducing fatigue of SC, but has no significant effect on UT. CONCLUSIONS: Adjusting the height of the laptop screen can delay the occurrence of SC muscle fatigue to a certain extent. The joint analysis of sEMG spectrum and amplitude reports that the screen heights of D15 and D45 have the highest and the lowest frequency of fatigue, respectively. At the same time, the moment of spineT1/T2 and spineL4/L5 decrease with the increase of screen height.

Mitochondrial morphology and function are intrinsically linked, indicating the opportunity to predict functions by analyzing morphological features in live-cell imaging. Herein, we introduce MoDL, a deep learning algorithm for mitochondrial image segmentation and function prediction. Trained on a dataset of 20,000 manually labeled mitochondria from super-resolution (SR) images, MoDL achieves superior segmentation accuracy, enabling comprehensive morphological analysis. Furthermore, MoDL predicts mitochondrial functions by employing an ensemble learning strategy, powered by an extended training dataset of over 100,000 SR images, each annotated with functional data from biochemical assays. By leveraging this large dataset alongside data fine-tuning and retraining, MoDL demonstrates the ability to precisely predict functions of heterogeneous mitochondria from unseen cell types through small sample size training. Our results highlight the MoDL's potential to significantly impact mitochondrial research and drug discovery, illustrating its utility in exploring the complex relationship between mitochondrial form and function within a wide range of biological contexts.