XiaoMi-AI文件搜索系统
World File Search System无人驾驶
无人驾驶汽车在识别蚊子的潜在繁殖地点的生存能力
摘要简介：对蚊子育种地点的监视至关重要，因为它提供了评估风险所需的信息，从而响应了登革热爆发。本文旨在审查有关使用无人机（无人机）确定埃德斯蚊子潜在繁殖地的可行性的现有研究，并突出与其实施相关的问题。材料和方法：作者在四个数据库（Scopus，Web of Science，Science Direct和IEEE Xplore）中进行了文献搜索，并于2022年12月完成。不直接解决无人机在监视和控制蚊子繁殖地点的应用的文章被排除在外。结果：使用关键字的初始搜索产生了623个文档。筛选摘要并审查全文后，只有17篇文章符合纳入标准。大多数研究处于概念验证阶段。许多研究还将无人机技术和机器学习技术纳入了监视工作。作者强调了与使用无人机的操作方面有关的七个关键问题。这些是硬件，软件，法律和法规，运营时间，专业知识，地理和社区参与。结论：随着无人机技术和机器学习技术的快速发展，可以增强无人机作为监视工具的生存能力，从而有效地应对全球公共卫生问题。关键字：蚊子，繁殖地，无人驾驶汽车，矢量控制，机器学习引言登革热病毒通过雌性蚊子咬伤感染了人类。登革热现在被认为是100多个国家的地方性，亚洲承担了超过三分之二的负担。1登革热，黄热病和基孔肯雅的主要载体是埃及伊德斯。2 AE的传播。埃及是一个严重的公共卫生问题。蚊子的分散和适应新环境和不良卫生环境的能力进一步增加了这种关系。3个针对性的环境和生态系统管理对于控制登革热仍然至关重要。
是核桃树的人工授粉，无人驾驶飞机能够最大程度地减少Xanthomonas arboricola PV的存在。 juglandis？评论
摘要：核桃（Juglans Regia L.）是一种单一的物种，尽管它表现出自我兼容，但它表现出不完全的花粉棚和女性接受性的重叠。因此，交叉授粉是最佳水果产生的先决条件。交叉授粉可以通过风，昆虫，人为或手工自然发生。花粉已被认为是黄虫植物植物植物PV的一种可能途径。Juglandis感染，一种导致核桃疫病疾病的致病细菌。除了众所周知的文化和化学控制实践外，使用无人机的人工授粉技术可能是果园中核桃疫病疾病管理的成功工具。无人机可以携带花粉并将其释放到农作物上或模仿蜜蜂和其他传粉媒介的作用。尽管这种新的授粉技术可以被视为一种有前途的工具，但花粉发芽和知识是传播细菌疾病的潜在途径，对于核桃树的开发和生产空中授粉机器人的开发和生产仍然是至关重要的信息。因此，我们的目的是描述具有基本成分的授粉模型，包括识别“核心”花粉微生物群，无人机将人工授粉作为一种成功管理核桃疫病疾病的成功工具，指定适当的花授粉算法，通过自动授粉的平均授粉机器人的平均粉丝和微小的粉料来设计算法。
驾驶创新：物流中无人驾驶卡车的崛起
过去几年中，没有人体车上的紧凑型卡车一直在公共道路上运行，半卡车已经开始效仿。2019年，盖蒂克（Gatik）在阿肯色州（Arkansas）开始部署两辆无人驾驶的小型盒子卡车，在获得州公路委员会获得许可证以在公共道路上有限范围内运营后，交付了沃尔玛产品。然后，在2021年12月，Tusimple完成了从图森（Tucson）到凤凰城（Phoenix）的“世界上第一个”完全自治的半卡车行驶。尤其是，技术初创公司已经相信，完全自主的半决赛将很快在美国高速公路上更常见，而第5级将在各种情况下在任何情况下在任何情况下自动驾驶。
无人驾驶飞机通信5G，6G ...
•长期寿命无人机 - （侦察，拦截或攻击）•中范围的无人机 - 动作半径〜650 km（中范围的侦察和战斗效应评估）•短期小无人机半径 - 行动半径范围<350 km，飞行高度为3 km，飞行时间小于3 km，范围限制了限制范围 - 覆盖范围 - 覆盖范围 - 覆盖范围 - 覆盖范围，持续范围，持续时间范围，持续时间范围，持续时间，持续时间，持续时间，持续时间，持续时间，持续时间，持续时间，持续时间，持续时间，持续时间，持续时间，持续时间，持续时间，持续时间，持续时间，持续时间范围，至少30公里•低成本，近距离无人机-Flight -Span〜约5公里•商业和消费者无人机 - 范围非常有限（由控制台控制，智能手机上的应用程序，平板电脑）
1 T-IV-24-01-0141无人驾驶汽车的环境感知数据增强
摘要 - 大型和高质量的培训数据集对于深度学习至关重要。在无人机空中图像的语义分割挑战的背景下，我们提出了一种数据增强策略，该策略可以大大减少手动注释大量图像的努力。结果是一组语义，深度和RGB图像，可用于改善神经网络的性能。该方法的主要重点是生成语义图像，并且在整个过程中也生成了深度和纹理图像。提出的语义图像产生方法依赖于现实环境的3D语义网格表示。首先，我们将现有的语义信息从简化的手动标记图像集中传播到网格表示中。要处理手动标记的图像中的错误，我们为传播过程提出了一种特定的加权投票机制。第二，我们使用语义网络创建新图像。这两个步骤都使用透视投影机制和深度缓冲算法。可以使用不同的相机方向生成图像，从而允许新颖的视角。我们的方法在概念上是一般的，可用于改善各种现有数据集。对使用该方法进行增强的现有数据集（UAVID和WILDUAV）进行的实验是在HRNET上进行的。获得了推理结果的总体绩效提高高达5.5％（MIOU）。增强数据集在GitHub 1上公开可用。索引术语 - 语义图像，无人机，数据增强，图像生成，空中图像，Z-Buffer，深度缓冲区，透视投影，虚拟相机。
国王长奥隆龙无人驾驶巴士 - 网络
由Baidu Apollo自动驾驶打开平台和国王Long IOV大数据平台授权，Apolong可以独立完成一系列驾驶表演，例如退出停车位，汽车跟随，避免障碍，转过身，停车和停车等等。此外，在驾驶过程中，Apolong可以积极收集并报告其状况数据。在云中完成了程序算法的优化后，OTA升级用于在车辆端更新程序，从而实现了自主驾驶能力的升级。
无人驾驶汽车导航与多传感器集成的无故障完整性：芝加哥市中心的案例研究
的诚信一直是航空航天安全要求背后的驾驶原则（Davis＆Kelly，1993; Grimes，2007; SC-159，2004）。最近，还针对自动化地面车辆应用采用了完整性（Cosmen-Schortmann等，2008； Zhu等，2018）。完整性风险量化导航系统提供的信息的可靠性；如果风险太高，则携带该系统的车辆可能处于危险之中。无故障完整性风险衡量导航系统输出误差的可能性超过允许的控制范围时，当不存在传感器故障时。评估无故障完整性风险是确定导航系统是否可以满足预期操作的需求的第一步。如果系统无法满足此类需求，那么下一步评估传感器故障的下一步显然是没有意义的。
无人驾驶的自治障碍算法...
摘要 - 为了克服自动飞行中无人驾驶汽车（无人机）避免障碍物的挑战，本文提出了双重体验注意力卷积软卷积 - 批评者（DAC-SAC）算法。该算法与卷积网络集成了双重体验缓冲池，自我注意力的机制和软性批判性算法。由于缺乏成功的培训数据，双重体验缓冲池用于解决无效的无人机培训问题。为了克服处理图像数据中原始软演员 - 批评（SAC）算法的缺点，应用了卷积神经网络（CNN）来重建参与者和评论家网络，从而可以更好地提取图像特征提取和分类。此外，通过向网络添加卷积自我发项层来采用一种自我注意的机制。此修改可以根据不同输入图像特征对注意力重量进行动态调整，从而有效解决与焦点相关的挑战。进行了两个模拟实验，并且在处理未知环境时，DAC-SAC算法在已知环境中达到99.5％的成功率，成功率为84.8％。这些结果证实，即使将深度图像作为输入，提出的算法也可以避免无人机的自主障碍。
无人驾驶人工智能技术及应用
摘要：无人机 (UAV) 是一种自主空中平台，具有基本飞行能力，包括起飞和降落程序、导航、路线跟踪和任务执行。无人机在各个领域用于民用和军用目的，执行超越人类能力的任务。这些飞行器具有多种硬件和软件配置，包括起飞和降落系统、导航模块、应急响应机制、传感装置、成像仪器和能源供应系统等基本组件。无人机具有飞行管理、目标识别和任务分析能力，可利用从预加载数据集、控制中心和实时环境线索收集的数据。无人机利用各种人工智能 (AI) 算法自主处理瞬时数据，结合人工神经网络、图像处理算法、学习算法和优化技术等方法。本文分析了无人机使用的数据分析方法和 AI 技术。此外，还实现了使用卷积神经网络 (CNN) 算法的图像处理应用程序来提供对象识别。用 Python 语言开发的应用程序的物体识别率经计算为 0.7107，准确率达 0.7107。这一发现表明，通过使用人工智能算法分析通过机载传感器获取的图像，可以提高无人机执行目标获取、避障和防撞等关键操作的能力。关键词：无人机、人工智能、机器学习、图像处理、物体识别简介近年来，人们十分关注以信息技术 (IT) 为基础的系统进步，这些系统旨在为超越人类能力或承担巨大风险的事业提供支持。这些系统主要被称为机器人系统或人工智能系统。“机器人”一词在捷克语中意为“繁重而乏味的劳动”，最早由卡雷尔·恰佩克于 1921 年创造。“机器人技术”一词最早由科幻小说作家艾萨克·阿西莫夫于 1950 年使用。机器人技术是一种软件和硬件系统，用于根据编程指令控制、拆卸和组装机器人对象（Ozfırat，2009 年）。在机器人系统的架构中，有物理组件，包括机械、电气、电子和计算模块，以及软件组件，例如操作系统、控制软件、通信协议和特定于任务的软件（Cosar，2023 年）。术语“机器人”和“机器人技术”经常互换使用，但它们确实有一些概念上的区别。“机器人”通常是指一个可以自行移动的实体，而“机器人”则涵盖了构成这种实体的系统。随着人工智能的加入，这些系统变得自主，能够独立收集数据、学习和解决问题。当机器人系统能够模仿人类行为，展示出执行这些行为的能力时，它就表明了它的智能和学习能力。
无人驾驶飞机可见性建模，用于“看见并避开”操作
摘要：随着每天有更多的无人机 (UA) 升空，本来就很高的有人机与 UA 的接触率仍在持续增长。飞行员和规则制定机构意识到，UA 能见度对看见并避让概念下的运行是一个真实存在但无法量化的威胁。为了最终量化威胁，本文使用收集到的经验数据以及之前关于影响能见度的因素的研究，构建了一个新颖的基于对比度的 UA 能见度模型。这项研究表明，如果有人机和 UA 在看见并避让概念下运行且处于碰撞航线上，那么当 UA 能见度 < 1300 m 时，空中相撞将成为一个严重威胁。同样，这项研究还表明，当 UA 能见度 < 400 m 时，空中相撞可能无法避免。这项研究验证了飞行员和规则制定机构的担忧，表明在现实世界中，UA 能见度距离 < 1300 和 < 400 m 的情况经常发生。最后，该模型生成了 UA 可见性查找表，这可能对美国联邦航空管理局和国际民用航空组织等规则制定机构有用，可用于未来证明探测和避免操作的等效性。在此之前，在 UA 附近以较低空速飞行的飞行员可能会提高安全裕度。