XiaoMi-AI文件搜索系统
World File Search System救援任务
基于机器学习的无人机救援任务认知工作量监控
摘要 — 在搜索和救援任务中，无人机操作具有挑战性且对认知要求高。高水平的认知工作量会影响救援人员的表现，导致灾难性的失败。为了解决这个问题，我们提出了一种用于实时认知工作量监控的机器学习算法，以了解是否需要更换搜索和救援操作员或是否需要更多资源。我们的多模式认知工作量监测模型结合了从生理信号（例如呼吸、心电图、光电容积图和皮肤温度）中提取的 25 个特征的信息，这些特征以非侵入式方式获取。为了减少信号的主体和日间变异性，我们探索了不同的特征归一化技术，并引入了一种基于支持向量机的新型加权学习方法，适用于特定主题的优化。在从 34 名志愿者获得的未见过的测试集上，我们提出的特定于主题的模型能够在使用传统控制器和新一代控制器控制无人机模拟器时分别以 87.3% 和 91.2% 的平均准确率区分低和高认知工作负荷。
微型飞行器 (MAV) 在搜索和救援任务中的可靠导航
图 1 海地国家宫殿。2010 年地震。太子港（海地） ................................................................................................ 9 图 2 2011 年世界贸易中心的 CRASAR 机器人 .............................................................................. 13 图 3 迭代模型 ........................................................................................................................ 18 图 4 搜索和救援 MAV（Eurecat-Ascamm） ............................................................................. 19 图 5 搜索和救援副驾驶概念 ...................................................................................................... 22 图 6 MAV 副驾驶原型 ............................................................................................................. 22 图 7 视觉惯性传感器 [45] ............................................................................................................. 23 图 8 FLIR Tau2 LWIR 传感器 [46] ................................................................................................ 23 图 9 Pointgrey Firefly FMVU-03MTM-CS ............................................................................................. 24 图 10 概念参考软件架构 ............................................................................................................. 27 图 11 ROS 节点的概念部署图................................................ 28 图 12 保证定位策略 .............................................................................................. 30 图 13 可重构导航解决方案架构 ................................................
