Бидний тухай
Багш ажилтан
Энэхүү судалгааны ажилд Кансат тэмцээний буцагч төрлийн даалгаварт зориулан бие даан боловсруулсан, GPS-д суурилсан автомат газардалтын системтэй дөрвөн сэнстэй (дөрвөн сэнстэй нисэгч) нисэгчийн загвар болон хэрэгжүүлэлтийг танилцуулж байна. Уг нисэгчийн гол давуу тал нь цойлуурын нарийн цилиндрт багтахаар эвхэгдэж, агаарт гарсны дараа автоматаар дэлгэгддэг өвөрмөц механик бүтцтэй байхын зэрэгцээ GPS-ийн байршлыг ашиглан алсын удирдлагагүйгээр бие даан заасан цэгт очиж газардах чадвартай байдаг. Системийн төв удирдлагад HAKRC F722V2 нислэгийн хянагч, байршил тогтооход UBLOX NEO-M8N GPS модуль, нислэгийн горим шилжилтэд Arduino Nano микроконтроллёрыг ашигласан бөгөөд INAV программ хангамжийг гол программ хангамж болгон сонгов. Механик бүтцийн бүх эд анги, дэлгэгдэх механизм зэргийг PLA материалаар 3D хэвлэх аргаар бие даан үйлдвэрлэв. Нисэгчийн нийт жин 370– 400 г бөгөөд батарей 12 минут ажиллах чадалтайг тооцоолсон. Туршилтын үр дүнд дэлгэгдэх механизм 34%-ийн моторын хүчтэйгээр тогтвортой ажиллаж, GPS байршлын нарийвчлал 6.3 м байгааг тогтоов.
Нярайн эрчимт эмчилгээний тасаг (NICU)-т амьсгалын тоог (RR) тасралтгүй хянах нь эмнэлзүйн доройтлыг илрүүлэх болон нярайн эндэгдлийг бууруулахад нэн чухал ач холбогдолтой. Амин үзүүлэлт хэмжих уламжлалт аргууд нь нярайн эмзэг арьсыг цочроох, халдварын эрсдэл үүсгэх, мөн хөдөлгөөнийг хязгаарлах сул талтай байдаг. Энэхүү судалгаанд эрчимт эмчилгээний тасгийн нярайн амьсгалын тоог хүрэлцэхгүйгээр, тасралтгүй хэмжих дулааны зураглалд суурилсан машин сургалтын аргыг танилцуулж байна. Энэ систем нь нярайгаас 1 метр зайнаас 320×240 пикселээр, секундэд 30 фреймийн хурдтай авсан дулааны дүрсийг ашигласан бөгөөд хамар орчмыг сонирхлын бүс (ROI) болгон тодорхойлсон. Сонирхлын бүсийг автоматаар тодорхойлохын тулд YOLO алгоритмд суурилсан машин сургалтын аргыг боловсруулан, ашигласан. Нярайн дулааны зургийг Twilight Shifted алгоритм ашиглан өнгөт зураг руу хувирган, хөдөлгөөнөөс болон камерын чичиргээнээс үүсэх шуугианыг Гауссын шүүлтүүрээр шүүж, шуугианы нөлөөг багасгасан. Машин сургалтаар илрүүлсэн сонирхлын бүсэд Channel and Spatial Reliability Tracker (CSRT) тракинг алгоритм ашиглав. Богино хугацааны амьсгалын динамикийг харахын тулд оролтын бичлэгийг 10 секундийн сегментүүдэд хувааж, амьсгалын дохиод оргил илрүүлэх алгоритм хэрэгжүүлэн амьсгалын тоог breath per minute (bpm) нэгжээр илэрхийлсэн. Клиникийн баталгаажуулалтыг “Монгол Улсын Эх, Нярай, Эмэгтэйчүүдийн төв”-д 4–28 хоногтой 11 нярайд хийсэн. Нэг нярайд 60 хэмжилт хийснээр нийт 660 хэмжилтийн өгөгдөл цуглуулсан. Амьсгалын жишиг утгыг тогтоохдоо синхрончлогдсон өнгөт бичлэгт EVM аргыг ашиглан хэвлийн хөдөлгөөнийг өсгөж, нүдэн баримжаагаар тоолсон. Сонирхлын бүс илрүүлэх машин сургалтын загвар 0.995 recall болон 0.995 mAP үзүүлэлттэйгээр маш өндөр гүйцэтгэлтэй ажилласан. Энэ системийн хэмжсэн амьсгалын тоо нь жишиг утгатай өндөр хамаарал (r = 0.9, p < 0.001) үзүүлсэн бөгөөд 95%-ийн тохирлын хязгаар нь – 5.62-аас 6.92 bpm хооронд байсан. Эдгээр үр дүн нь энэ системийг нярайн эрчимт эмчилгээний тасагт амьсгалын тоог тасралтгүй, хүрэлцэхгүй аргаар хянах боломжтой шийдэл болохыг харуулж байна.
As industrial automation advances, accurate 3D pose estimation has become essential for random bin picking, especially in cluttered scenes with heavy occlusion and varied object types. However, developing and testing such systems is difficult because industrial robot arms are expensive, often exceeding $100,000, and unsuitable for many research environments due to safety, space, and mobility constraints. To overcome this, we created a low-cost, open-source 3D-printed robotic arm with six degrees of freedom, fully integrated into the ROS MoveIt framework through a URDF model that enables motion planning and inverse kinematics. For 3D object pose estimation, we employ a deep neural network trained exclusively on synthetic data, allowing scalable generation of large labeled datasets. The network outputs belief maps and vector fields for keypoint detection, and the final pose is recovered using the PnP algorithm, resulting in an accurate and real-time bin-picking system. Project link: https://github.com/bmunkhtulga/rbx1-ros
Continuous monitoring of respiratory rate (RR) in the Neonatal Intensive Care Unit (NICU) is critical for early detection of clinical deterioration and reducing neonatal mortality. Traditional methods often cause skin irritation, risk infection, and restrict movement. This study proposes a NonContact Respiratory Monitoring System (NCRMS) using a single thermal camera for unobtrusive, continuous RR monitoring in the NICU. The NCRMS captures thermal images (320×240 pixels, at 30 fps) of the nasal region of interest (ROI) from approximately 1 meter. YOLO was employed to train a nasal ROI detection model in the ICU environment. Motion-induced artifacts were mitigated using the Channel and Spatial Reliability Tracker (CSRT), with tracking performance enhanced through Twilight Shifted colormap and Gaussian filtering. To capture short-term respiratory dynamics, RR estimation was performed on 10- second segments by identifying inhalation peaks detection in breaths per minute (bpm). Clinical validation was conducted on 11 neonates (aged 4–28 days) at the Center for Mothers, Neonates, and Women in Mongolia. Each neonate underwent 60 measurements, resulting in a total of 660 measurements. Reference RR was obtained by visual counting of synchronized RGB videos. The nasal ROI detection model performed excellently, with 0.995 recall and 0.995 mAP. The NCRMS showed a strong correlation with reference RR (r = 0.9, p < 0.001), with 95% limits of agreement between –5.62 and 6.92 bpm (𝝈 = 0.65 bpm). These results support NCRMS as a viable, non-contact alternative for continuous RR monitoring in neonatal care.
With the rapid growth of industrial automation, estimating the 3D pose of objects has become a central challenge in random bin picking—particularly in cluttered environments with occlusions and a variety of object types. One major hurdle in developing and testing such systems is the reliance on industrial robot arms, which can cost up to $100,000 and are often unsuitable for research labs due to safety, space, and movement constraints. To overcome this, we built an open-source, 3D-printed robotic arm with six degrees of freedom. We integrated it into the ROS MoveIt framework using a URDF model, enabling inverse kinematics and motion planning. Our system uses a deep neural network trained entirely on synthetic data for 3D object pose estimation. This approach allows for fast and scalable generation of large, labeled training datasets. The network outputs belief maps and vector fields from input images; peaks are detected in the belief maps, keypoints are assigned via the vector fields, and the final object pose is computed using the Perspective-n-Point (PnP) algorithm. Using this method, we demonstrate a low-cost, real-time random bin-picking system that accurately estimates the poses of known assembly line objects.
Autonomous mobile robots are essential for advancing space exploration by performing tasks in inaccessible or hazardous environments to humans. This study presents the design and implementation of a two-wheel drive (2WD) autonomous robot for space-related missions. The robot prioritizes simplicity, lightweight construction, and energy efficiency—key factors for deployment in extraterrestrial settings. For implementation, a hexagonal parachute was designed to ensure a safe landing. Positioning was determined using a GPS module, and the distance between two points on the globe was calculated using the Haversine formula. The direction was determined using motor encoder values, and the module performed repeated calculations of direction and distance every 30 seconds to fulfill the mission objectives. Mounting electronic components, the rover was assembled onto a copper board, and its wheels, main body, and parachute release mechanism were fabricated using a 3D printer to produce a functional prototype.
