XiaoMi-AI文件搜索系统
World File Search System定位误差
fst-net：使用特征融合和局部坐标回归
面部软组织（FST）的具有里程碑意义的定位是对人体面部的3D形态分析的基本步骤，这对于面部畸形相关疾病的诊断和治疗非常重要。但是，几乎没有关于基于深度学习的3D扫描图像的地标定位的研究。由于非欧盟数据结构，无法直接使用基于2D图像的方法。在本文中，我们提出了一个端到端的学习框架，以自动将28个地标在3DMD扫描中定位，称为FST-NET。我们的方法从纹理图像和网格模型中提取特征。3DMD扫描的新纹理映射是通过投影对融合纹理和结构特征的投影而生成的。使用双分支网络集成变压器，以预测从粗到细的地标热图。提出了基于概率距离和热图预测的局部协调回归模块，以计算具有里程碑意义的协调。我们从诊所收集和注释300 3DMD面部扫描以评估我们的模型。实验表明，该模型的平均定位误差为1.204mm（临床上可接受的精度范围为1.5 mm），正确的地标检测率等于70.89％。我们的模型超过了网格模型上地标定位的当前最新深度学习方法。
基于飞行时间的传感器与机器人追随者的单眼摄像机融合
摘要人类机器人合作（HRC）在先进的生产系统中越来越重要，例如在行业和农业中使用的系统。这种类型的协作可以通过减少人类的身体压力来促进生产率的提高，从而导致伤害减少并改善士气。HRC的一个关键方面是机器人安全遵循特定的人类操作员的能力。为了应对这一挑战，提出了一种新的方法，该方法采用单眼视力和超宽带（UWB）收发器来确定人类目标相对于机器人的相对位置。UWB收发器能够用UWB收发器跟踪人类，但具有显着的角度误差。为了减少此错误，使用深度学习对象检测的单眼摄像机来检测人类。使用基于直方图的滤波器结合了两个传感器的输出，可以通过传感器融合来减少角度误差。此过滤器项目并将两个源的测量值与2D网格相交。通过结合UWB和单眼视觉，与单独的UWB定位相比，角度误差的降低了66.67％。这种方法表明，以0.21 m/s的平均速度跟踪人行走时，平均处理时间为0.0183，平均定位误差为0.14米。这种新颖的算法有望实现有效和安全的人类机器人合作，为机器人技术提供了宝贵的贡献。
关于估计地图模型误差和 GPS...
为了确定是否可以安全地执行所需的操作，谨慎的导航员必须了解其车辆定位系统的当前空间不确定性以及用于描绘战区的导航地图模型的空间不确定性。从安全导航的角度来看，了解数据的准确性与数据本身一样重要。本文讨论了 GPS 车辆定位误差和特定于水深地图模型（图表）的相对较大的数据建模误差对电子海图 (EC) 的影响。它提出并演示了软件解决方案，这些解决方案可以统计评估这两种空间不确定性，并在 EC 环境中以图形方式集成这两个随机模型。本文还记录了加拿大水文服务局进行的一项实验，旨在确保实时 DGPS 用户计算出统计上有效的位置误差估计。实验对使用伪距冗余的传统实时误差分析获得的位置误差估计进行了地面实况分析。利用此地面实况信息，根据经验确定了改进的伪距误差模型。新的伪距误差模型使用 Novatel GPS 接收器计算的估计伪距方差不断更新，而不是应用最小二乘调整中典型的恒定先验伪距方差。该动态范围误差模型有效地减少了观察到的误差与其预测的误差估计之间的统计偏差。改进的范围误差模型还显著提高了位置解的性能。修改后的软件计算的所有 DGPS 位置的定位精度均优于 0.5 米。
RIS 辅助 6G V2X 系统中集成传感和通信的深度强化学习
摘要 — 集成传感和通信 (ISAC) 技术的最新进展为解决下一代无线通信网络 (6G) 车对万物 (V2X) 中的通信质量和高分辨率定位要求带来了新的可能性。同时为车辆目标的智能服务提供高精度定位和高通信容量 (CC) 具有挑战性。在本文中，我们提出了一种可重构智能表面 (RIS) 辅助的 6G V2X 系统，以在满足基本通信要求的情况下实现车辆目标的高精度定位。我们提供了车辆目标的 CC 和 3-D 费舍尔信息矩阵 (FIM) 公式。我们展示了反射器单元中的相位调制对联合定位精度和 CC 性能的直接影响。同时，我们设计了一个灵活的深度确定性策略梯度 (FL-DDPG) 算法网络，采用 ϵ -贪婪策略来解决高维非凸优化问题，在满足各种 CC 要求的同时实现最小定位误差。仿真结果表明，FL-DDPG算法将定位精度提升了至少89%，将车辆目标的到达率提升了近3倍，优于传统数学方法。与经典的深度强化学习方法相比，FL-DDPG在满足通信要求的前提下获得了更好的定位精度。当面对不完美信道时，FL-DDPG能够有效解决ISAC系统中的信道估计误差问题。
关于估计地图模型误差和 GPS...
为了确定是否可以安全地执行所需的操作，谨慎的导航员必须了解其车辆定位系统的当前空间不确定性以及用于描绘战区的导航地图模型的空间不确定性。从安全导航的角度来看，了解数据的准确性与数据本身一样重要。本文讨论了 GPS 车辆定位误差和特定于水深地图模型（图表）的相对较大的数据建模误差对电子海图 (EC) 的影响。它提出并演示了软件解决方案，这些解决方案可以统计评估这两种空间不确定性，并在 EC 环境中以图形方式集成这两个随机模型。本文还记录了加拿大水文服务局进行的一项实验，旨在确保实时 DGPS 用户计算出统计上有效的位置误差估计。实验使用传统的伪距冗余实时误差分析获得了位置误差估计，并对其进行了地面实况分析。利用这些地面实况信息，根据经验确定了改进的伪距误差模型。新的伪距误差模型使用 Novatel GPS 接收器计算出的估计伪距方差不断更新，而不是应用最小二乘调整中典型的恒定先验伪距方差。这种动态范围误差模型有效地减少了观测到的误差与其预测的误差估计之间的统计偏差。改进的范围误差模型还显著提高了位置解的性能。修改后的软件计算的所有 DGPS 位置的定位精度均优于 0.5 米。
Microsoft Word - 地面、移动和机载 LiDAR 的精度和误差评估.doc
检查三角网格时，这种方法的弱点立即显现出来。典型点间距沿任何轴在 0.25 到 1.5 米之间。这使得 ALS 数据的水平精度报告不超过 0.125-0.75 米，因为在任何计算中假设优于最大不确定度在统计上是不合理的。在此示例中，水平点间距为 0.25 米的 ALS 数据的最大不确定度为 0.125 米（此评估网格的任何三角形最短边的 1/2 为 0.125 米）。由于 ALS 点在现实世界中的水平定位范围从几毫米到超过一米，每个 ALS 点的水平定位误差变得更加重要，因为只有少数 ALS 点用于定义整个数据集的定位。实际上，这意味着通过这种方法可以实现的唯一实际调整可以在图 1 中以图形方式显示的示例中找到。当由 ALS 点形成的三角形相差分米时，垂直调整和精度评估不应优于分米级。使用当代的孤立 GCP 方法，可以声明不符合位置精度的位置精度。换句话说，空间频率高于所述精度。一个适合比较的例子是用于信号处理领域中频率确定的 Nyquest 采样定理。作为此应用的粗略简化近似，Nyquest 定理要求必须采用大约四倍于 ALS 空间频率的采样率。对于 ALS 数据，这意味着除非使用四倍于 ALS 数据的点密度进行评估，否则不应说明准确度。这就需要一种更先进、更完善的 ALS 调整和准确度报告方法。
![[SSC24-XI-01]](/simg/6\6b7d6b752364ecf63f7edc33230e19cb47ee7804.webp)
[SSC24-XI-01]
本文介绍了在Starling地层飞行光学实验（StarFox）期间进行的一群小型航天器群的初始飞行结果。Starfox是NASA Starling Mission上的四个实验之一，该实验由2023年7月推出的四个立方体组成。仅一角方法应用板载摄像机获得的卫星间轴承角度进行导航，增加卫星自主权并实现新的任务概念。尽管如此，先前的飞行演示仅介绍了一个观察者和目标，并依靠Apriori目标轨道知识来初始化，转化操作以解决目标范围以及外部绝对轨道更新以维持收敛。StarFox通过应用仅角度的绝对和相对轨迹测量系统（ARTM）来克服这些局限性，该系统整合了三种新型算法。图像处理使用多种假设方法和域特异性运动学建模来启用并跟踪图像中的多个目标，并计算目标轴承角。批处理轨道确定通过迭代批次最小二乘和弱可观察到的目标范围的采样来计算从轴承角批次的初始群轨道估计。顺序轨道确定利用具有非线性模型的自适应，有效的无气体滤波器，以随着时间的推移来完善群体估计。通过横跨链路共享的多观察者测量值无缝融合以实现可靠的绝对和相对轨道测定。Starfox Flight数据和遥测者提供了卫星群的仅自动角度导航的首次演示，包括多目标和多观察者相对导航；未知目标导航的自主初始化；并同时确定绝对和相对轨道。在有挑战性的测量条件下，单个观察者达到了目标范围的0.5％的相对定位误差，而多个观察者则降低至0.1％。结果表明，关于正在进行的Starfox活动以及仅在未来分布式任务中的纯粹导航的应用方面表现出色。
基于遗传算法优化的最小电极子集的自动选择方法，用于精确的 EEG 源估计
高密度脑电图 (HD-EEG) 已被证明是估计大脑内部神经活动精度最高的 EEG 蒙太奇。多项研究报告了电极数量对特定源和特定电极配置的源定位的影响。这些配置的电极通常是手动选择的，以均匀覆盖整个头部，从 32 个电极到 128 个电极，但电极配置通常不是根据它们对估计精度的贡献来选择的。在本文中，提出了一项基于优化的研究，以确定可使用的最小电极数量，并确定可以保持 HD-EEG 重建定位精度的最佳电极组合。这种优化方法结合了广泛使用的 EEG 蒙太奇的头皮标志位置。这样，可以针对单源和多源定位问题系统地搜索最小电极子集。非支配排序遗传算法 II (NSGA-II) 结合源重建方法用于制定多目标优化问题，该问题同时最小化 (1) 每个源的定位误差和 (2) 所需的 EEG 电极数量。该方法可用于评估低密度 EEG 系统（例如消费级可穿戴 EEG）的源定位质量。我们对已知真实值的合成和真实 EEG 数据集进行了评估。实验结果表明，对于单个源情况，具有 6 个电极的最佳子集可以达到与 HD-EEG（具有 200 多个通道）相同或更好的精度。在重建特定大脑活动时，在合成信号中超过 88% 的情况和在真实信号中超过 63% 的情况都会发生这种情况，而在考虑具有 8 通道的最佳组合时，分别在超过 88% 和 73% 的情况下也会发生这种情况。对于三源多源情况（仅使用合成信号），研究发现，在至少 58%、76% 和 82% 的情况下，8、12 和 16 个电极的优化组合可达到与 231 个电极 HD-EEG 相同或更好的精度。此外，对于这样的电极数量，获得的平均误差和标准偏差低于 231 个电极。
fMRI-SI-STBF
通过整合功能磁共振成像（fMRI）和脑电图（EEG）的多模式功能神经影像学（EEG）具有高时空分辨率恢复大脑活动的希望，这对于神经科学研究至关重要，这对于神经科学研究和临床诊断至关重要。然而，fMRI和脑电图活动之间的局部化的未对准可能会降低fMRI约束的脑电图源成像（ESI）技术的准确性。以数据驱动的方式利用fMRI和EEG的互补时空分辨率，我们提出了一种基于fMRI源的脑电图/fMRI融合的方法，称为fMRI源成像，基于时空范围的基础函数（fMRI-SI-SI-STBF）。fMRI-SI-STBF采用了从fMRI和EEG信号定义为经验贝叶斯框架内定义的群体和EEG信号的协方差组件（CCS）。此外，fMRI-SI-STBF代表当前源矩阵作为矩阵分解的几个未知时间基函数（TBF）的线性组合。使用变异性贝叶斯推断，基于EEG数据自动确定了fMRI信息和EEG信息的CCS以及TBFS的数字和fro孔的相对贡献。我们的结果表明，fMRI-SI-STBF可以有效利用ESI的有效fMRI信息，并且对无效的fMRI先验是可靠的。这种鲁棒性对于实际ESI至关重要，因为fMRI先验的有效性通常不清楚，因为fMRI是对神经活动的间接度量。此外，与仅使用空间约束的方法相比，fMRI-SI-STBF可以通过纳入时间结合来提高性能。对于数值模拟，fMRI-SI-STBF比现有的EEG-FMRI ESI方法（即FWMNE，fMRI-SI-SBF）和ESI方法更准确地重建源，位置和时间课程，而没有fMRI的方法（即乘火mri）（即wmne si si si si si si si si si s si i sipb）较小的空间色散（平均SD <5 mm），定位误差的距离（平均DLE <2 mm），形状误差（平均SE <0：9）和较大的模型证据值。2021由Elsevier B.V.