XiaoMi-AI文件搜索系统
World File Search System地形
在Omniverse中创建一个模拟的月球地形
•随机月球地形产生，具有大的（陨石坑，山丘）和小（迷你陨石坑，岩石）伪影。•其他地形样品是手工制作或缩放的NASA高分辨率地形。•许多可自定义的参数设置火山口，地形大小和特征。•培训数据收集的大面积，可为更广泛的唯一数据范围提供。
疼痛威胁下的地形选择性运动抑制
摘要 在疼痛发生之前，仅仅因为有疼痛威胁，疼痛相关的运动适应就可能被预测性地激活。然而，在人类中，预期疼痛的运动适应背后的神经生理机制仍然知之甚少。我们追踪了健康成年人学会预测上肢单侧肌肉特定疼痛发生时皮质脊髓兴奋性 (CSE) 变化的演变。使用巴甫洛夫威胁条件反射任务，不同的视觉刺激预测了右前臂或左前臂（实验 1）或手（实验 2）的疼痛。在疼痛发生前的刺激呈现期间，在左侧初级运动皮层施加单脉冲经颅磁刺激以探测 CSE 并从目标右前臂和手部肌肉诱发运动诱发电位。还评估了参与者的特质焦虑与 CSE 之间的相关性。结果表明，疼痛威胁会触发皮质脊髓抑制，特别是在预期出现疼痛的肢体中。此外，皮质脊髓抑制相对于受到威胁的肌肉进行调节，前臂疼痛威胁会抑制前臂和手部肌肉，而手部疼痛威胁仅抑制手部肌肉。最后，皮质脊髓抑制越强，焦虑特质就越强。这些结果推进了对疼痛过程的机制理解，表明疼痛相关的运动适应是在仅仅受到疼痛威胁时发生的，作为一系列预期的、拓扑组织的运动变化，这些变化与预期的疼痛有关，并受个人焦虑水平的影响。将这种预期的运动变化纳入疼痛模型可能会带来新的疼痛相关疾病治疗方法。
使用机器学习和高分辨率激光雷达地形数据绘制丘陵景观的地形
地图是评估土壤和生态杂质的过程和危害，水文建模以及自然资源和土地管理的重要工具。基于现场调查或航空照片的映射土地形式的传统技术可能是时间和劳动密集型，强调了基于遥感产品的自动或半自动方法的重要性。此外，时间密集的手动标记也可以是主观的，而不是对地形的客观识别。在这里，我们实施了一种客观的方法，该方法将随机的森林机器学习算法应用于一组观察到的地形数据和1M水平分辨率裸露的数字高程模型（DEM），它是从空气中的光检测和范围数据（LIDAR）数据开发的，以快速映射丘陵地面的各种地面地面。地面分类包括高地高原，山脊，凸面，平面斜坡，凹陷坡，溪流通道和山谷底部，横跨俄克拉荷马州东北部俄克拉群岛的Ozark山脉的400公里2丘陵景观。我们使用了4200个地面观测值（每个地形600个）和八个从随机森林算法中的2 m，5 m和10 m分辨率LIDAR DEM得出的地形指数，以开发2 m，5 m和10 m分辨率地分辨率地面地面模型。我们通过比较观察到的地貌与建模地面的地图来测试DEM分辨率在映射地图中的有效性。结果表明，当协变量以2 m的分辨率分辨率为〜89％时，该方法绘制了约84％的观察到的地形，分辨率为10 m。使用这种方法开发的地图图具有多种潜在应用。然而，预测的地图显示，2 m分辨率的协变量在捕获准确的地形边界和小型地面的细节（例如溪流通道和山脊）方面表现更好。与使用空中图像和现场观测值相比，此处介绍的方法大大减少了绘制地图的时间，并允许掺入各种各样的协变量。它可以用于水文建模，自然资源管理，并在丘陵景观中表征土壤地球形过程和危害。
通过地形PV梯度抑制中尺度涡流混合
图2。夏季每日最大HI（O C）（Abscissa）与EHI（O C）（o c）（a坐标）（a，d，g）la，（b，e，h）fl和（c，f，i）cu的散点图。（A-C）基于GCM输出，该输出已通过MBC在历史时期（1985-2014）进行了调整。 （d-f）与（A-C）相同，除了不久的将来（2031-2060）。 （g-i）与（d-f）相同，但遥远的未来（2071-2100）。 未来值基于SSP585方案。 y = x线在青色中显示。 每个点（黑色或红色）代表夏季的一个夏日。 基于双重重量标准偏差（Lanzante，1996）的6个标准偏差的点以红色给出。（A-C）基于GCM输出，该输出已通过MBC在历史时期（1985-2014）进行了调整。（d-f）与（A-C）相同，除了不久的将来（2031-2060）。（g-i）与（d-f）相同，但遥远的未来（2071-2100）。未来值基于SSP585方案。y = x线在青色中显示。每个点（黑色或红色）代表夏季的一个夏日。基于双重重量标准偏差（Lanzante，1996）的6个标准偏差的点以红色给出。
地形超级...
简介。对计划地形的高保真理解对于准确的表面条件建模是必要的。对于潜在的未来人类和机器人勘探领域，例如即将到来的阿耳emis派任务的候选降落地点。LOLA提供的 1高度测量测量已用于在月球杆附近的Moder-Ate分辨率上开发地形模型，例如2米 /小像素（MPP）。 但是，在许多感兴趣的地区，需要高分辨率的托图。 分析方法，例如形状从阴影（SFS），3,4，以高分辨率光学图像的形式包含上下文信息，例如由月球侦察轨道轨道窄角（LRO NAC）所提供的信息。 sfs将先验的低分辨率DEM作为焦油分辨率的共同注册图像作为输入，其中每个图像都从其他方向从太阳照亮。 这种方法提供了统计保证和输出高分辨率DEM的可解释性，但它们在计算上很昂贵，需要人类输入（例如参数微调）。 因此，适用于大面积很麻烦。 我们实施了基于生成-AI的超分辨率工具，以在月球上开发准确的高分辨率DEM。 尤其是，我们将图像到图像形象的schodinger桥（SB）方法5应用于条件性一代设置，该设置在超分辨率任务中取得了很大的成功。 我们的图像到图像SB Trans-在考虑一组操作图像的同时，形成了向后高分辨率DEM的先验样品（低分辨率DEM）。1高度测量测量已用于在月球杆附近的Moder-Ate分辨率上开发地形模型，例如2米 /小像素（MPP）。但是，在许多感兴趣的地区，需要高分辨率的托图。分析方法，例如形状从阴影（SFS），3,4，以高分辨率光学图像的形式包含上下文信息，例如由月球侦察轨道轨道窄角（LRO NAC）所提供的信息。sfs将先验的低分辨率DEM作为焦油分辨率的共同注册图像作为输入，其中每个图像都从其他方向从太阳照亮。这种方法提供了统计保证和输出高分辨率DEM的可解释性，但它们在计算上很昂贵，需要人类输入（例如参数微调）。因此，适用于大面积很麻烦。我们实施了基于生成-AI的超分辨率工具，以在月球上开发准确的高分辨率DEM。尤其是，我们将图像到图像形象的schodinger桥（SB）方法5应用于条件性一代设置，该设置在超分辨率任务中取得了很大的成功。我们的图像到图像SB Trans-在考虑一组操作图像的同时，形成了向后高分辨率DEM的先验样品（低分辨率DEM）。生成的AI方法具有比分析方法更有效地扩展到更大的输入的潜力，并且可以超越培训数据集。
通过两相训练使类人动力运动超过具有挑战性的地形
摘要：人形机器人是机器人技术的关键重点，其导航艰难地形对于许多用途至关重要。虽然取得了进步，但为复杂环境创建适应性的运动仍然很困难。基于学习的系统的进展为强大的腿部运动提供了希望，但挑战持续存在，例如在高速和不平衡的地面跟踪准确性，以及实际机器人的关节振荡。本文提出了一个新颖的培训框架，以通过强化学习采用两阶段的训练范式来应对这些挑战。通过整合命令课程学习，完善我们方法的预知和适应性，进一步构成了所提出的框架。此外，我们将Dreamwaq适应了我们的人形运动系统，并将其改进以减轻关节振荡。，我们实现了我们方法的SIM到真实传输。一系列经验结果表明，与最先进的方法相比，我们提出的方法的出色表现。
通过地形改装风速（WT）调整高分辨率区域气候建模的调整，对南亚的风速准确度提高了风速的精度
由于地形和大气过程之间的复杂相互作用引起的摘要，气候建模在具有复杂地形（例如南亚）的地区可能具有挑战性。这项研究研究了南亚日常风速的高分辨率气候模拟的附加值差异，重点是创新的地形风速（W t）调整方法。通过应用分布增加值（DAV）和上尾PDF（95％）分析，我们会系统地评估区域气候模型（RCMS）和全球气候模型（GCMS）的性能。使用W t方法前后的DAV结果的比较揭示了调整对区域气候模型性能的影响。在几种模型中，例如IPSL-RCA，Noresm1-RCA和Canesm2-RCA，掺入W t导致了实质性改进，如正dav值所示。在上尾PDF分析中，改进更加一致，表明调整通常增强了极端风事件的表示。但是，某些模型（例如NoreSm1-RCA和Canesm2-RCA）通过描述正面DAV值在调整W t之前和之后始终如一。总体而言，结果表明W t有效地改善了大多数气候模型的风速表示。根据DAV分析，高分辨率模型在低分辨率模型中平均具有15％的正添加值。这项研究的贡献正在弥合南亚观察到的风速模式与气候模型输出之间的差距。由于这项研究，揭示了评估和调整模型的量身定制方法，强调了模型行为的复杂性。在次大陆的研究领域中，这项研究的结果为与气候相关的决策，风险评估和基础设施发展提供了关键见解。
多环境自适应地形检测和导航机器人
摘要：此摘要总结了针对外星探索的地形检测机器人的设计，开发和功能的详细探索。该机器人的主要目的是通过使它们能够在不损坏的情况下驾驶各种地形来提高空间探针的安全性和效率。该文档详细介绍了机器人的设计，并结合了通过应用力和反馈机制进行自适应运动的创新功能，例如地面硬度检测。已参考了重大研究强调机器人适应从沼泽到沙漠的各种地面类型的能力，由于其复杂的表面，这通常会对移动性构成重大风险。例如，诸如概率神经网络和支持向量机之类的技术用于表面分类，该技术基于使用诸如局部二进制模式和加快稳健特征的方法提取的纹理特征。机器人的结构包括具有铝合金组件的稳健机械结构和适用于各种天体的不同引力拉力的高振动电动机。机器人的关键特征是它可以重新定位本身的能力，而不是在遇到不可能的地形时反转，这是由独特的车轮设计和复杂的控制系统促进的。本文档还讨论了为空间探索设计机器人系统的实践挑战和理论含义，包括对模拟外星表面的耐用性测试以及高级传感器和AI的集成以改善导航决策。文档的结论中概述的业务模型提出了一种将该技术商业化用于太空探索应用的战略方法。
从视觉识别地形物理参数
摘要 - 识别周围环境的物理特性对于机器人的运动和导航对于处理非几何危害（例如湿滑和可变形地形）至关重要。机器人在接触之前预测这些极端的物理特性将是很大的好处。但是，从视力中估算环境物理参数仍然是一个开放的挑战。动物可以利用他们先前的经验以及对自己所看到的东西和感受的了解来实现这一目标。在这项工作中，我们为基于视觉的环境参数估计提出了一个跨模式的自我监督学习框架，这为未来的物理范围内的运动和导航铺平了道路。我们弥合了在模拟中训练和识别视力的物理地形参数的现有政策之间的差距。我们建议在模拟中训练物理解码器，以预测多模式输入的摩擦和刚度。训练有素的网络允许以自我监督的方式将现实世界图像标记，以在部署过程中进一步训练视觉网络，这可以密集地预测图像数据的摩擦和僵硬。我们使用四倍的Anymal机器人在模拟和现实世界中验证物理解码器，表现优于现有基线方法。我们表明，我们的视觉网络可以预测室内和室外实验中的物理特性，同时允许快速适应新环境。- 项目页面https://bit.ly/3xo5aa8 -