XiaoMi-AI文件搜索系统
World File Search System目标位置
注意提示：凝视比箭头更难覆盖
凝视是一种将他人关注转向特定位置的重要且有力的社会提示。但是，在许多情况下，方向符号（如箭头）实现了类似的目的。是由总体问题进行的，人造系统如何有效地传达方向信息，我们进行了两个提示实验。在两个实验中，都要求参与式插图识别屏幕上出现的外围目标，并通过按下按钮尽快响应它们。在出现目标之前，屏幕中心显示了一个提示。在实验1中，提示是凝视或指向一个方向的箭头或箭头，但对目标位置无可预测。对早期研究的意见，我们发现箭头或凝视的侧面有一个反应时间益处。延伸了早期的研究，我们发现这种效应在垂直轴和水平轴之间以及面部和箭头之间是不可或缺的。在实验2中，我们使用了100％的“反预测性”提示；也就是说，目标总是发生在与凝视或箭头方向相反的一侧。具有没有固有定向含义（颜色）的线索，我们控制了一般学习效果。尽管在实验1中观察到的非预测性目光与非预测性箭头提示之间的定量匹配，但反预测箭头比中性提示的反应时间益处比对反预测性目光的相应益处更强大。这种差异可能具有实际相关性，例如，在人机相互作用的背景下设计提示时。这表明 - 如果符合其固有方向的功效，则与箭头更难覆盖或重新解释。
在计划潜在危险物体（PHO）缓解的计划中的不确定性量化。 C. S. Plesko 2，S。A。Becker 2，M。B。Boslough 1，W。K。
简介：行星防御缓解尝试需要大量的高级任务计划和任务模拟。模拟工作是使用流体力学代码和状态数据方程进行的[1]。这些发布前模拟的结果用于任务计划中，以预测定位和时机要求，并量化为特定对象施加必要变化（ΔV）所需的能量和输送机制。2022 DART任务是对动力学影响缓解的过程的故意测试，从氢化校准和预测开始[2，3]，并与影响实验进行比较[4]。考虑通过对峙核破裂缓解的情况存在类似的不确定性，尤其是在不可能进入目标对象围绕轨道的情况下。在这些快速接口的情况下，可能无法预测目标相对于爆发的方向，并且从爆发到目标的距离可能会产生严重的不确定性，这是由于硬件能力和目标位置不确定性引起的。不确定性，例如，目标的质量，形状和材料特性可能会给ΔV预测带来进一步的不确定性，但我们对它们的效果有不完全的理解。通过减少赋予pho的能量的不确定性来最大程度地减少pho的不确定性，减少了缓解尝试的模拟，这对任务设计构成了不可行的约束。 在这里，我们探讨了缓解模拟对已知不确定性的敏感性，以建立可行的任务设计约束。减少了缓解尝试的模拟，这对任务设计构成了不可行的约束。在这里，我们探讨了缓解模拟对已知不确定性的敏感性，以建立可行的任务设计约束。
同源修复模板 DNA 链间交联增强人类细胞中的基因编辑
CRISPR–Cas9 通过产生 DNA 双链断裂 (DSB) 并随后激活细胞 DNA 修复途径实现基因编辑。根据所参与的修复途径，结果可能包括目标基因的破坏或用恢复或引入功能的新序列替换 1 。后一种基因替换事件需要传递编码新序列的模板 DNA，其水平应支持基因替换，但不会对细胞活力产生不利影响。在转化应用中，模板分子通常由病毒载体递送。虽然有效，但病毒工作流程成本高昂、难以扩大规模且对细胞有潜在毒性。因此，使用非病毒模板 DNA 是一种有吸引力的替代方案，但非病毒模板的效率和急性毒性可能不如病毒递送 2 。改进的非病毒基因编辑将成为揭示 DNA 修复机制的有力方法、有用的实验室技术和治疗多种疾病的有前途的策略 3 。一种高效的非病毒基因编辑策略是传递核糖核蛋白（RNP）制剂，包括靶向核酸酶Cas9、单向导RNA（sgRNA）和模板分子，该模板分子包含与被编辑区域以及要修改或插入的序列的同源性4。这些RNP在基因组的目标区域引入DSB，然后通过易错末端连接（EJ）过程修复断裂末端，或通过同源性定向修复（HDR）过程修复DSB，该过程使用单独模板分子1中编码的序列解决DSB（扩展数据图1a）。使用HDR将新的DNA序列引入目标位置可以实现令人兴奋的功能获得应用5。因此，增加HDR频率的策略可能会改善结果并降低实验室和生物医学工作流程的成本。
使用无线信号
摘要 - 物联网领域（IoT）中的杂货应用涉及跟踪人员和商品，其质量受室内位置精度影响的质量。信号方法的模式匹配，也称为特征指纹方法，是众多室内定位方法之一。由于存在嘈杂的环境情况，因此在定位中实现精度很容易中断。需要有效的稳定技术来减轻对本地化质量的负面影响。本研究介绍了几种新型机器学习方法和索引方法，旨在提高室内定位应用的准确性。遗传算法和部分最小二平方理论提议为此目的共同起作用。传统的指纹定位方法，例如粒子群优化（PSO），高斯模型还测试了验证目的。这种方法通过PSO算法试图近似接收信号强度指示器（RSSI）信号的噪声频谱，从而通过PSO算法来调整高斯模型的主要频率/振幅。与PSO/Gaussian模型指纹方法相比，遗传算法（GA）/部分最小二乘（PLS）/K-Nearest邻居（KNN）方法可以达到92％的室内定位精度，同时需要最小的开发时间。在复杂的实验室和走廊设置中，当目标位置验证程序中包括加权KNN算法时，总准确率可以达到95％，分辨率为16 cm。总体而言，我们建议的GA/PLS/KNN方法优于传统方法和基于许多无线技术的当前静态定位方法，例如WiFi，4G/5G，蓝牙低能（BLE）等。关键字 - 事物（IoT）本地化，粒子群优化（PSO）算法，部分最小二乘（PLS）算法，遗传算法（GA），智能定位
使用 DART 引导定向灰盒模糊测试器
软件开发是一个持续、渐进的过程。开发人员会以小批量而非一次性大批量的方式不断改进软件。小批量的高频率使得使用有效的测试方法在有限的测试时间内检测出错误变得至关重要。为此，研究人员提出了定向灰盒模糊测试 (DGF)，旨在生成针对特定目标位置进行压力测试的测试用例。与旨在最大化整个程序的代码覆盖率的基于覆盖范围的灰盒模糊测试 (CGF) 不同，DGF 的目标是覆盖潜在的错误代码区域（例如，最近修改的程序区域）。虽然先前的研究改进了 DGF 的几个方面（例如电源调度、输入优先级和目标选择），但很少有人关注改进种子选择过程。现有的 DGF 工具使用主要针对 CGF 定制的种子语料库（即一组覆盖程序不同区域的种子）。我们观察到，使用基于 CGF 的语料库会限制定向灰盒模糊测试器的发现错误的能力。为了弥补这一缺陷，我们提出了 TargetFuzz，这是一种为 DGF 工具提供面向目标的种子语料库的机制。我们将此语料库称为 DART 语料库，它仅包含与目标“接近”的种子。这样，DART 语料库就可以引导 DGF 找到目标，从而即使在有限的模糊测试时间内也能暴露漏洞。对 34 个真实漏洞的评估表明，与基于 CGF 的通用语料库相比，配备 DART 语料库的 AFLGo（一种最先进的定向灰盒模糊测试器）可以发现 10 个额外的漏洞，并且平均暴露时间加快了 4.03 倍。
移动术中CT辅助无框立体定向活检在7例患者样本中实现了单米轨轨迹的精确度，以实现深处的脑损伤
抽象背景：大脑活检是至关重要的诊断干预措施，为治疗和预后提供了宝贵的信息，但很大程度上取决于高精度和精度。我们假设，通过使用移动单元的术中CT检查，通过基于神经验证的无框架立体定位和MRI引导的轨迹计划的组合，可以实现无缝集成的方法，得出最佳目标准确性。方法：我们分析了7个立体定向活检轨迹，用于各种深处的位置和不同的患者位置。在刚性固定后，使用计划MRI图像进行自动图像融合，使用移动CT单元进行术中术前扫描，并使用原位进行活检套管进行验证，以验证确定的目标位置。然后，我们评估了径向轨迹误差。结果：术中扫描，手术，MRI和CT图像的计算机化合并以及轨迹计划是可行的，在所有情况下都没有困难且安全。我们在60±12.3 mm的轨迹长度下达到了0.97±0.39 mm的径向轨迹偏差（平均值±标准偏差）。不需要因目标不准确而重新定位活检套管。结论：使用移动CT单元与无框神经验证指导的立体定位和基于术前MRI的轨迹计划结合使用的术中验证是可行的，安全且高度准确的。关键词：立体定向神经外科，图像指导，术中CT，脑活检该设置实现了深度脑损伤的单毫米精度和直接检测术中并发症的检测，并不依赖于专用的手术室，并且无缝地集成到常见的立体定位过程中。
态势感知数据链 (SADL)
简介 美国陆军的增强型位置报告系统 (EPLRS) 旨在通过数字数据通信系统支持战场上的战术行动。EPLRS 采用抗干扰波形，内置安全数据单元，以保护数据安全和时分多址 (TDMA) 架构。态势感知数据链 (SADL) 是将 EPLRS 无线电装置整合到飞机上。通过修改软件以与飞机航空电子设备接口，EPLRS/SADL 与飞机航空电子设备集成，以在驾驶舱中显示来自其他配备 SADL 的战斗机的数据、通过 Link 16/SADL 网关来自 Link 16 网络的数据以及地面 EPLRS 位置。以下表示 SADL 的主要功能： 1.整合空对空 (A–A) 战术和态势感知 (SA) 能力，例如： a. 飞机之间的互操作性，将飞机内部信息添加到网络上，供其他飞机访问和显示 b.支持多轨道目标环境，将飞机内部雷达轨道、传感器和目标指定信息添加到网络上，供其他飞机访问和显示。c. 空对空网络类型允许在特定“空中密钥”中的飞机之间交换平台性能、系统状态和传感器/目标数据 2.整合空对地 (A–G) SA 能力，例如： a. 飞机和地面网络之间的互操作性；这允许 SADL 飞机从地面 EPLRS 网络请求“友军”地面部队的位置数据。3.注意：当前无线电版本 11xy 不再支持名为“WinFAC”的应用程序。从数字前方空中管制员 (FAC) 消息中整合 A–G 战术和 SA 功能，例如：a. 近距离空中支援 (CAS) 飞机和地面前方空中管制员 (GFAC) 之间的互操作性，允许 GFAC 以数字方式发送目标位置数据。正在开发的 TACP-Mod 数字 CAS 应用程序“TACP-CASS”基于可变消息格式 (VMF)，并且仅通过 ASOC 网关与 SADL 通信，该网关由 JRE 托管的 SADL 网关和 MIDS 终端以及连接到“将 VMF 转换为 J 消息的 ASOC 桥”的联合射程扩展 (JRE) 托管的 PRC-117F 组成。
自动控制系统的开发和测试
摘要。本文描述了自主农业机器人的控制系统，并使用实验室支架和数字环境评估其运营。Agrobot是一种自主的海卡克索恩浆果收集机器人。它会自动找到灌木分支来收获，切割它们并将其存储在盒子中。Agrobot由一个3 DOF（自由度）的笛卡尔移动平台和一个带有6 DOF的现代HH7工业机器人组成。控制系统是专门设计用于实时操作的，使农民能够适应使目标跟踪复杂化的动态环境条件（风，变化的光）。控制系统由两个单独程序运行的两个模块组成。第一个模块是计算机视觉模块（CVM），该模块具有对农作物操作的高级控制。它使用来自摄像头的进料来查找切割点，并发送命令接近，切割，存储和搜索。该模块用Python编写。第二个模块是机器人控制模块（RCM），该模块从CVM接收高级命令并管理现代控制器（HC）的低级控制。RCM将机器人轨迹计算到目标位置，并在并行线程中与CVM和HC通信，并处理错误。作为HC需要时间关键控制，RCM用C + +写入。RCM和CVM正在通过插座通信的一台计算机运行。 由于移动平台硬件处于开发阶段，并且目前尚不可用，因此创建了机器人的数字双胞胎来测试系统在模拟环境中的性能。RCM和CVM正在通过插座通信的一台计算机运行。由于移动平台硬件处于开发阶段，并且目前尚不可用，因此创建了机器人的数字双胞胎来测试系统在模拟环境中的性能。数字双胞胎的输入与实际机器人相同。使用欧拉角是x，y，z位置和方向a，b，c。数字双胞胎可视化是在Unity游戏引擎中开发的。MATLAB机器人工具箱与Levenberg-Marquardt求解器算法一起使用，以计算9 DOF机器人的反向运动学。本文重点介绍了机器人控制模块体系结构和控制系统的测试。
分布式融合算法用于...被动定位
本文研究了使用无线传感器网络 (WSN) 进行多个瞬态发射器 (目标) 定位的问题。一个特定的应用是利用安装在士兵组上的声学枪声检测系统网络来定位战场上的对手 [16][17]。假设目标在感兴趣的时间窗口内是静止的，但目标数量未知。传感器可以通过检测目标发射的声学信号来测量目标的视线 (LOS) 角，并记录检测到的信号的到达时间 (TOA)。这意味着任何单个传感器的目标位置可观测性都不完整。由于传感器的不完善，存在漏检和误报。此外，测量结果与目标之间的关联是未知的，也就是说，每个传感器都不知道特定测量结果来自哪个目标（或杂波）。在估计任何目标的位置之前，必须关联所有传感器的测量结果。因此，数据关联的质量对整体定位性能至关重要。我们之前的工作 [13] 中开发的两种不同的融合算法使用集中式方法解决了这个问题，即我们假设有一个融合中心直接或通过多跳中继（通常通过无线通信）从各个传感器收集所有信息。集中访问所有信息可能很困难。例如，在覆盖大面积的应用中，需要高传输功率才能将信息从单个传感器直接传送到融合中心。此外，基于融合中心的方法不够稳健，也就是说，如果融合中心发生故障，整个系统都会发生故障。这促使人们开展大量关于分布式融合或分布式优化算法的研究，包括本文中提出的算法。一种直接的分布式解决方案是泛洪，即通过网络中的链路广播实际的传感器测量值。在 [7] 中，提出了一种广播新测量值的通信策略，以允许分布式测量融合，对于线性动态系统，在给定所有接收到的测量值的情况下，在每个节点产生最佳估计。对于本文考虑的定位问题，有一个非线性静态系统。该方法需要大量的数据通信、存储内存和簿记开销。泛洪方法仍然适用，通过仔细记账和多次迭代信息交换，每个传感器将拥有所有信息，并可以充当融合中心，以找到与集中式方法相同的全局解决方案。例如，它需要大约 S（传感器数量）乘以基于平均共识（AC）的方法的内存存储。
NPL 报告 ENG 30 网络方法验证...
1 范围 本报告履行了 iMERA Plus 项目新工业计量技术 (NIMTech) 的交付成果 D3.7 - 多传感器网络验证实验评估报告。本报告描述了基于 NIMTech 交付成果报告 D3.1(1) 中描述的多传感器网络方法的激光跟踪器对准误差校准程序的验证。2 简介 NIMTech 交付成果报告 D3.1(1) [1] 描述了使用多传感器网络测量方法校准激光跟踪器对准误差的实验程序。在本报告中，我们介绍了该程序的实验验证，从而验证了多传感器网络方法。激光跟踪器校准的网络方法涉及使用激光跟踪器测量多个固定点的坐标。从几个不同的位置测量相同的点。然后通过使用最小二乘参数估计法拟合描述实验设置（跟踪器位置和方向、目标位置）和激光跟踪器误差的数学模型来处理这些测量的结果。为了验证这种方法，使用网络方法获得的校正参数根据 ASME B89.4.19 标准验证了 API T3 激光跟踪器的性能，并将这些结果与使用制造商的校准数据执行的类似 ASME B89.4.19 测试进行了比较。描述用于这项工作的激光跟踪器对准误差的模型 [2] 是从之前描述的 1,3 改编为更通用的形式。第 3 节简要介绍了新模型。第 4 节包含从网络测试获得的结果，第 5 节简要描述了 ASME B89 测试和获得的结果。3 激光跟踪器误差模型 3.1 激光跟踪器错位 理想的激光跟踪器（基于“经纬仪式”设计，干涉仪位于万向架上）可以通过图 1（左）中的设置示意性表示。竖轴和经轴正交且共面，激光束在中心点与两个轴相交并向外辐射，没有角度偏移。此外，仰角和方位角编码器完美地居中并垂直于经轴和竖轴，没有失真或比例误差。实际上，由于制造公差，所有激光跟踪器都可能出现错位和偏移以及其他机械缺陷。因此，更现实的几何形状类似于图 1（右）中所示的几何形状。基准轴、经线轴和激光束轴不再正交和相交；两个角度编码器都有刻度误差和失真；激光束不从轴的交点辐射，并且具有角度偏移，因此它不再垂直于经线轴。这些机械缺陷会导致范围和角度读数中的系统误差，如果不加以纠正，将导致测量误差。在实践中，激光跟踪器控制器对原始传感器数据进行软件校正，为用户提供准确的测量数据。该校正基于误差源模型和存储在控制器中的模型参数测量结果。本实验中测试的校准程序的目的是确定模型的参数及其相关的不确定性。