XiaoMi-AI文件搜索系统
World File Search System物体
面向线状柔性物体的机器人操作研究进展与展望
此类任务同样可以先离线学习状态转移预测模 型再使用 MPC 计算控制输入 [28-29] ，或直接使用强 化学习方法 [68-69] ，但需要大量训练数据且泛化性较 差。在准静态的局部形变控制中，更常用的方法是 在线估计局部线性模型。该模型假设线状柔性体形 状变化速度与机器人末端运动速度在局部由一个雅 可比矩阵 JJJ 线性地联系起来，即 ˙ xxx ( t ) = JJJ ( t ) ˙ rrr ( t ) ，其 中 ˙ xxx 为柔性体形变速度， ˙ rrr 为机器人末端运动速度。 由于使用高频率的闭环反馈来补偿模型误差，因此 完成任务不需要非常精确的雅可比矩阵。 Berenson 等 [70-71] 提出了刚度衰减（ diminishing rigidity ）的概 念，即离抓取点越远的位置与抓取点之间呈现越弱 的刚性关系，并据此给出了雅可比矩阵的近似数学 表示。此外，常用的方法是根据实时操作数据在线 估计雅可比矩阵，即基于少量实际操作中实时收集 的局部运动数据 ˙ xxx 和 ˙ rrr ，使用 Broyden 更新规则 [72] 、 梯度下降法 [73] 、（加权）最小二乘法 [33-34,74] 或卡尔 曼滤波 [75] 等方法在线地对雅可比矩阵进行估计。 该模型的线性形式给在线估计提供了便利。然而， 雅可比矩阵的值与柔性体形状相关，因此在操作 过程中具有时变性，这使得在线更新结果具有滞 后性，即利用过往数据更新雅可比矩阵后，柔性体 已经移动至新的形状，而新形状对应的雅可比矩阵 与过往数据可能并不一致。同时，完整估计雅可比 矩阵的全部元素需要机器人在所有自由度上的运 动数据，这在实际操作过程中难以实现，为此一些 工作提出根据数据的奇异值进行选择性更新或加 权更新 [74] 。此外，此类方法需要雅可比矩阵的初 值，一般在操作前控制机器人沿所有自由度依次运 动，收集数据估计初始位置的雅可比矩阵。受上述 问题影响，在线估计方法往往仅适用于局部小形变 的定点控制，难以用于长距离大形变的轨迹跟踪。 Yu 等 [31] 提出 ˙ xxx = JJJ ( xxx , rrr ) ˙ rrr 的模型形式，其中 JJJ ( · ) 为 当前状态至雅可比矩阵的非线性映射，待估计参数 为时不变形式。基于该模型，该方法将离线学习与 在线更新无缝结合，实现了稳定、平滑的大变形控 制。 Yang 等 [76-77] 使用模态分析方法建立柔性体模
多物体轨迹的方法...
在机场环境中，没有一个单一的传感器系统能够满足跟踪和识别所有类型移动物体的要求。近年来，无线传感器网络 (WSN) 已在许多关键应用中得到部署，例如安全监视和目标跟踪。该技术可以帮助以较低的成本满足机场监视要求，对于小型机场尤其有用，并且可以填补大型机场的雷达覆盖空白。本文提出了一种全局集成解决方案，使用声学传感器预测目标轨迹并防止与机场环境关键区域发生碰撞。所提出的系统代表了一种低成本有效的监视技术，用于定位和跟踪移动物体，使用更先进的无线传感器网络和跟踪算法。首选系统最终可以替代地面运动主雷达 (SMR)，后者是世界上用于跟踪机场地面运动的最广泛的雷达。所提出的跟踪系统使用特殊形式的 PHD 滤波器和粒子滤波器来准确跟踪多个目标。
通过人工智能技术进行物体识别
1 博士学位，新格拉纳达军事大学（哥伦比亚卡希卡-昆迪纳马卡）。地址：jose.ramirez@unimilitar.edu.co ORCID： 0000-0002-7126-5378。 2 博士学位，新格拉纳达军事大学（哥伦比亚卡希卡-昆迪纳马卡）。 astrid.rubiano@unimilitar.edu.co 。 ORCID： 0000-0002-8894-7121。 3 博士学位，新格拉纳达军事大学（哥伦比亚卡希卡-昆迪纳马卡）。 robinson.jimenez@unimilitar.edu.co 。 ORCID： 0000-0002-4812-3734。
通过人工智能技术进行物体识别
1 博士学位，新格拉纳达军事大学（哥伦比亚卡希卡-昆迪纳马卡）。地址：jose.ramirez@unimilitar.edu.co ORCID： 0000-0002-7126-5378。 2 博士学位，新格拉纳达军事大学（哥伦比亚卡希卡-昆迪纳马卡）。 astrid.rubiano@unimilitar.edu.co 。 ORCID： 0000-0002-8894-7121。 3 博士学位，新格拉纳达军事大学（哥伦比亚卡希卡-昆迪纳马卡）。 robinson.jimenez@unimilitar.edu.co 。 ORCID： 0000-0002-4812-3734。
移动和静止物体检测...
摘要 机器学习中用于检测人体和分类的传统方法已被最近增强的深度学习物体检测方法所取代，这是通过成功构建卷积神经网络 (CNN) 实现的，而卷积神经网络是深度学习的一个组成部分。物体检测中的运动和站立是 CCTV 中的重要步骤。物体检测的性能对下一个更高级别的处理步骤有很大影响，例如物体的运动和站立。YOLO v5 是最流行的物体检测技术。YOLO 算法的性能取决于数据集的训练准确度。对象检测框架可解决实时问题。它们包括 You Look Only Once。我们的实验研究表明，对于使用 25 张图像训练的模型，YOLO V5 可提供最高 85% 的准确率。关键词：- CCTV、卷积神经网络 (CNN)、YOLO、深度学习、物体检测。
论黑洞作为宏观量子物体
在史瓦西坐标系中，坍缩壳层的经典演化过程中，史瓦西相对流与固有时间的关系实际上迫使我们将黑洞的形成解释为一个高度非局部的量子过程，在这个过程中，壳层/反壳层对在初始视界内产生，从而恰好在视界处抵消原始坍缩壳层。通过研究黑洞背景中的量子场，我们发现了类似的非局部效应。除其他外，霍金对中即将离去的成员会很快与黑洞几何结构纠缠（而不是其伙伴），这与通常的假设相反，即根据视界附近的局部几何结构，霍金对最大程度地纠缠。此外，下落的波甚至在穿过视界之前就会影响黑洞几何结构。最后，我们发现粒子需要有限的时间才能穿过黑洞视界，从而避免在视界处发生的有限蓝移和红移。这些发现有力地支持了黑洞作为宏观量子物体的图景。
光照不变的物体分割
常见的通用分割方法会因照明突然变化而受阻。由于打开灯而导致的亮度显著增加以及物体投射的阴影通常会导致这些方法产生错误的分类。为了实现照明不变分割，本文讨论的共线向量模型从局部像素邻域构建 RGB 颜色向量。亮度变化只会对这些向量的长度产生标量值的影响。因此，可以采用正交距离测量来确定照明不变下的局部颜色相似性。在存在加性噪声的情况下，通过找到从向量到未知无噪声信号的最小正交距离来估计向量共线。距离最小化可以定义为最小特征值问题。该最小值被纳入贝叶斯框架，从而允许最大化决策的后验概率 (MAP)。将结果值与静态和自适应阈值进行比较。分类标签被认为是通过马尔可夫随机场 (MRF) 采样的，以对像素相互依赖性进行建模。相应的能量函数定义为证据在空间邻域上的积分。这会导致前景蒙版的空间紧凑性和平滑边缘。使用 PETS 2001 数据集和特定照明测试集来衡量性能。
小型无人机的物体检测技术
摘要。障碍物检测和避障对于无人机尤其是轻型微型飞行器来说是必需的，并且由于其有效载荷受限，因此车辆上只能安装有限的传感器，因此这是一个具有挑战性的问题。通常，系统中包含的传感器要么是基于视觉的（单目或立体摄像机），要么是基于激光的。但是，每种传感器都有自己的优点和缺点，因此我们构建了基于多传感器（单目传感器和激光雷达）集成的障碍物检测和避障系统。最重要的是，我们还将 SURF 算法与 Harris 角点检测器相结合，以确定障碍物的大致大小。在进行的初步实验中，我们成功地检测并确定了具有 3 种不同障碍物的障碍物的大小。实际障碍物和我们的算法之间的长度差异被认为是可以接受的，约为 -0.4 到 3.6。