XiaoMi-AI文件搜索系统
World File Search System估计问题
基于无人机的 GPS 拒绝环境中目标跟踪的协作 Visual-SLAM 系统：以目标为中心的方法
摘要：使用无人机 (UAV) 自主跟踪动态目标是一个具有挑战性的问题，在许多场景中都有实际应用。在这种情况下，必须解决的一个基本方面与空中机器人的位置估计和控制飞行编队的目标有关。对于非合作目标，必须使用机载传感器估计其位置。此外，对于估计无人机的位置，全球位置信息可能并不总是可用的（GPS 拒绝环境）。这项工作提出了一种基于视觉的合作 SLAM（同步定位和地图绘制）系统，该系统允许一组空中机器人自主跟踪在 GPS 拒绝环境中自由移动的非合作目标。这项工作的贡献之一是提出并研究使用以目标为中心的 SLAM 配置来解决与众所周知的以世界为中心和以机器人为中心的 SLAM 配置不同的估计问题。从这个意义上说，所提出的方法得到了从广泛的非线性可观测性分析中获得的理论结果的支持。此外，还提出了一种控制系统，用于保持相对于目标的稳定无人机飞行编队。在这种情况下，使用 Lyapunov 理论证明了控制律的稳定性。通过采用大量计算机模拟，所提出的系统显示出可能优于其他相关方法。
一般状态空间模型参数估计的序贯蒙特卡罗方法概述
扩展卡尔曼滤波器或高斯和滤波器等近似方案可能不可靠，而确定性积分方法难以实现。SMC 方法，也称为粒子方法，是一类基于顺序模拟的算法，用于近似感兴趣的后验分布。它们之所以广受欢迎，是因为它们易于实现，适合并行实现，更重要的是，已在多种环境中证明能比刚才提到的标准替代方案产生更准确的估计 [14, 17, 35]。本文的主要目的是讨论参数 θ 未知且需要以在线或离线方式从数据中估计的情况。我们假设观测值由参数值为 θ ∗ 的未知“真实”模型生成，即 X n | ( X n − 1 = xn − 1 ) ∼ f θ ∗ ( ·| xn − 1 ) 和 Y n | ( X n = xn ) ∼ g θ ∗ ( ·| xn )。静态参数估计问题在过去几年中引起了广泛关注，并且已提出许多 SMC 技术来解决该问题。在这篇评论中，我们试图深入了解这项任务的难度，并全面概述该主题的文献。我们将介绍每种方法的主要特点并评论它们的优缺点。但是，我们不会尝试讨论具体实现的复杂性。为此，我们请读者参阅原始参考文献。我们选择将这些方法大致分为以下几类：
文章：在 GPS 受限环境下基于无人机目标跟踪的协作式 Visual-SLAM 系统：以目标为中心的方法
摘要：使用无人机 (UAV) 自主跟踪动态目标是一个具有挑战性的问题，在许多场景中都有实际应用。在这种情况下，必须解决的一个基本方面与空中机器人和目标的位置估计有关，以控制飞行编队。对于非合作目标，必须使用机载传感器估计其位置。此外，为了估计无人机的位置，全球位置信息可能并不总是可用的（GPS 拒绝环境）。这项工作提出了一种基于视觉的合作 SLAM（同步定位和地图绘制）系统，该系统允许一组空中机器人自主跟踪在 GPS 拒绝环境中自由移动的非合作目标。这项工作的贡献之一是提出并研究使用以目标为中心的 SLAM 配置来解决估计问题，这与众所周知的以世界为中心和以机器人为中心的 SLAM 配置不同。从这个意义上讲，所提出的方法得到了广泛非线性可观测性分析所获得的理论结果的支持。此外，还提出了一种控制系统，用于保持无人机相对于目标的稳定飞行编队。在这种情况下，使用 Lyapunov 理论证明了控制律的稳定性。通过大量计算机模拟，所提出的系统显示出可能优于其他相关方法。
改善自主机器人技术的深神经网络
基于抽象视觉的Deeplearningceptionful Fillsaparamountroleinrobotics，促进stomitatingstolutionStomanyChallengingScenarios，例如自动无人驾驶汽车（无人机）的杂技演习和机器人辅助的高级手术。以控制为导向的端到端感知方法直接输出机器人控制变量，通常将机器人的状态估计作为辅助输入。当中间输出被估算并馈送到较低级别的控制器时，即介导的方法时，机器人的状态通常仅作为以Egipentric任务的输入来估计机器人本身的物理特性。在这项工作中，我们建议第一次（据我们所知）将类似的方法应用于非中心介导的任务，其中估计的输出指的是外部主题。我们证明了我们的一般方法论如何改善深度卷积神经网络（CNN）对广泛的非中心3D姿势估计问题的回归性能，并且计算成本最少。通过分析三种高度不同的用例，从用机器人臂抓住到具有袖珍无人机的人类受试者，我们的结果始终提高r 2回归度量，与他们的无状态基线相比，我们的结果始终提高+0.51。最后，我们验证了人类姿势估计任务上闭环自动cm级无人机的内部性能。我们的结果表明，与最先进的无状态同行相比，我们的状态CNN的平均绝对误差平均减少了，即平均24％。
对矩阵加权状态的半决赛放松 -
摘要 - 近年来，在所谓的可认证感知方法的发展中取得了显着进步，这些方法利用半闪烁，凸出放松，以找到对机器人技术中的感知问题的全球最佳选择。然而，其中许多放松依赖于简化促进问题制定的假设，例如各向同性测量噪声分布。在本文中，我们探讨了矩阵加权（各向异性）状态估计问题的半决赛松弛的紧密性，并揭示了其中潜伏在其中的局限性：基质加权因素会导致凸的松弛因失去紧密度。特别是我们表明，矩阵权重的本地化问题的半决赛松弛仅对于低噪声水平可能很紧。为了更好地理解这个问题，我们引入了状态估计的后验不确定性与通过凸面重新获得的证书矩阵之间的理论联系。考虑到这种联系，我们从经验上探讨了导致这种损失的因素，并证明可以使用冗余约束来恢复它。作为本文的第二项技术贡献，我们表明，当考虑矩阵重量时，不能使用标量加权大满贯的状态放松。我们提供了一种替代配方，并表明其SDP松弛并不紧密（即使对于非常低的噪声水平），除非使用特定的冗余约束。我们在模拟和现实世界数据上证明了制剂的紧密度。
隧道和地下空间技术 - reposiTUm
本文采用混合方法（即计算-实验方法）来解决分段隧道衬砌中应力的实际估计问题。在（i）在隧道现场环境条件下进行为期一年的单轴蠕变试验的混凝土样品中，以及（ii）在构成 Koralm 隧道衬砌的管道中安装了配备热敏电阻的振线应变计。从蠕变试验中获得的数据可用于校准和验证积分微分热粘弹性模型。蠕变函数结合了短期蠕变的幂律和长期蠕变的对数律。相应的松弛函数通过拉普拉斯-卡森变换、反演和反变换确定。这是将在 Koralm 隧道 KAT3 中 Ring 2013 管道中测得的周向应变历史转化为周向和纵向应力演变的基础。它们主要是由于机械地壳相互作用。相应的利用率在环安装后的前四个月内增加，此后几乎保持不变。季节性温度变化引起的应力波动只起很小的作用。关于长期预测，非常有趣的是，当将管道中记录的应变测量绘制为时间对数函数时，会遵循双线性趋势。这些趋势可以推断到 150 年，即奥地利新建隧道的目标使用寿命。在此期间，基于粘弹性的应变传感器附近应力估计值在时间上保持不变，约为混凝土强度的 40%。
![arxiv：2409.09541v3 [cs.ai] 2024年12月12日](/simg/g:\will\search\icon\source\1\14209d226327b5a6cbf8e094be8901d23e4dc34a.webp)
arxiv：2409.09541v3 [cs.ai] 2024年12月12日
强化学习已彻底改变了动态环境中的决策过程，但它经常在自主检测和实现目标的情况下而在没有明确反馈信号的情况下进行斗争。例如，在源术语问题问题中，缺乏精确的环境信息使得提供明确的反馈信号并定义和评估源位置是如何终止的。为了应对这一挑战，开发了自主目标检测和停止（AGDC）模块，通过在任务完成后纳入自主目标检测和CES的自动反馈机制来增强各种RL算法。我们的方法可以通过近似代理人的信念来有效地识别不确定的目标，从而显着增强了反馈有限的环境中RL算法的能力。为了验证我们的方法的效率，我们将AGDC与深度Q网络，近端政策优化和深度确定的策略梯度算法相结合，并评估了其在源期限估计问题上的表现。表明，AGDC增强的RL算法显着超过了传统的统计方法，例如信息性和探索以及非统计的随机行动选择方法，例如信息触发，内特抗体和双重控制。这些改进在成功率，平均行进距离和搜索时间方面显而易见，突出了AGDC在复杂的现实世界情景中的有效性和效率。
约会的细节
____________________________________________________________________________ Enquiries about the vacancy, shortlisting, and interviews: Contact: Dr Bruno Adorno Email: bruno.adorno@manchester.ac.uk ____________________________________________________________________________ Research Project: This position is for research at the postdoctoral level within the Centre for Robotic Autonomy in Demanding and持久的环境，摇篮[https://cradlerobotics.co.uk/]。摇篮是Amentum [https://www.amentum.com/]，曼彻斯特机器人技术中心和AI [https://www.robotics.manchester.ac.uk]和ukri [https://wwwwww.ukri.org]之间的重要伙伴关系。摇篮的愿景是建立一个国际领先的协作研究中心，为苛刻的环境（例如太空，核能，能源生成和城市基础设施）提供新颖和变革的自主系统（RAS）技术（RAS）技术，从而允许该技术在英国行业范围内实现这一技术所承诺的好处。工作的总体目的：研究人员将主要针对各种机器人和传感器进行机器人状态估计和传感器融合。，他们将根据Cradle Research计划的要求，处理适用于地面机器人（车轮，跟踪，腿部），移动机器人以及空中机器人的理论和实用状态估计问题。这项工作的一个关键要素是与其他工作包进行交互，以将发达的状态估计器集成到更广泛的系统体系结构中，以供预期在具有挑战性的环境中工作的机器人。成功的候选人有望通过我们的/摇篮行业的参与活动来协助实地试验，与潜在的工业伙伴互动，并将复杂的数学概念转化为现实世界
入学博士学位。计划 - 2024年8月 5天教师发展计划理论机器学习27-31，2024年5月
计算机科学与工程人工智能（AI）：负责的AI，AI安全性，优化算法；机器学习和深度学习：生物医学信号，农业领域，网络层/传输层中的异常检测，优化算法，位置预测；计算机视觉和图像处理：农业和医疗领域，语音，图像，信号；自然语言处理，LLM；数据分析，视频分析，大数据分析，社交网络分析；理论计算机科学；算法和图理论，可解释的AI（XAI）-Healthcare；分布式计算；边缘计算；云计算；计算范式的能源效率；新兴数据库；生物信息学和计算生物学；数据隐私和安全性，网络安全性，信息安全性，网络安全性中的ML，云数据安全性，量子计算和安全性，分布式计算安全性，硬件安全性，用于网络安全系统和内存的ML；软定义网络 - 安全性；区块链技术；数字取证和犯罪调查；密码学，量子密码学，应用加密，量子加密后，多方计算，差异隐私；智能运输和互联车辆，用于野生动植物和自然保护的数字技术；物联网；通信和信号处理；系统工程的优化；遥感应用；资源管理和日程安排，以进行未来的计算连续体； IRS辅助通信和空间调制中的检测和估计问题，增强物理层
4 ViSig：使用自动解释视觉身体信号...
视觉身体信号是传递特定应用信息的身体姿势。此类信号广泛用于体育（裁判员和裁判员发出信号）、交通运输（海军军官和飞机调度员）和建筑（索具工和起重机操作员发出信号）的快速信息通信，仅举几例。自动解释此类信号有助于在这些行业中保持更安全的运营，有助于记录审计或事故调查目的，并充当体育赛事的记分员。当需要自动化这些信号时，传统上是从观看者的角度通过在摄像机馈送上运行计算机视觉算法来执行。然而，基于计算机视觉的方法在诸如照明变化、遮挡等场景中性能会下降，可能面临分辨率限制，并且安装起来可能很困难。我们的工作 ViSig 打破了传统，而是部署了用于信号解释的人体传感器。我们的主要创新是融合超宽带 (UWB) 传感器（用于捕获身体距离测量）、惯性传感器 (IMU)（用于捕获几个身体部位的方向）和光电二极管（用于手指信号识别），从而实现对信号的稳健解释。通过仅部署少量传感器，我们表明身体信号可以在许多不同的环境中得到明确解释，包括板球、棒球和足球比赛，以及起重机操作和海上导航旗帜信号等操作安全用例，准确率超过 90%。总体而言，我们已经看到了这种方法的巨大前景，并预计未来大量的后续工作将开始使用 UWB 和 IMU 融合模式来解决更一般的人体姿势估计问题。