XiaoMi-AI文件搜索系统
World File Search System着陆
东北俄亥俄州传粉媒介协会2025冬季网络研讨会系列1月8日 - 戴夫·托马什夫斯基（Dave Tomashefski）用软着陆花园来充分利用您的树
东北俄亥俄州传媒体协会2025年冬季网络研讨会系列1月8日 - 戴夫·托马什夫斯基（Dave Tomashefski）用柔软的着陆花园在树下种植柔软的着陆花园来充分利用您的树木，这是支持院子里生物多样性的最佳方法之一。加入Meadow City的Dave Tomashefski本地植物托儿所，了解软着陆花园如何支持蝴蝶和飞蛾完成其生命周期（以及更多！）这个研讨会是最大程度地利用树木覆盖物在生长空间中的好处的绝佳机会。作为Meadow City的教育专家，Dave Tomashefski负责托儿所的教育计划和材料。他的礼物是为每个人找到理想的植物！在克利夫兰共同创立了Meadow City之前，Dave在俄亥俄州立大学的土壤，水和环境实验室工作，在那里他还获得了硕士学位。1月22日 - 俄亥俄州后院的Denise Ellsworth Wild Bees许多园丁在看到一个蜜蜂时就知道一个蜜蜂，但是其他400多种将俄亥俄州回家的400多种蜜蜂呢？该计划将重点放在一些最常见的蜜蜂上，包括它们引人入胜的生物学和生活史。我们还将讨论植物选择和景观实践，以支持我们的本地传粉媒介。为什么大黄蜂会振动其机翼肌肉，以中间C的音调？蜜蜂世界中的皇后有多罕见？为什么叶切蜜蜂从叶子和花瓣上切下圆盘？这些本地蜜蜂对授粉和生物多样性有多重要？丹妮丝通过俄亥俄州立大学昆虫学系指导传粉媒介教育计划，她自2012年以来一直担任的职位。在她的扩展和外展工作中，丹尼斯通过各种研讨会，网络研讨会，书面材料和电子资源来支持和教全州养蜂人，农民，园丁和其他人。在进入昆虫学之前，丹妮丝（Denise）在阿克伦（Akron）/广州地区担任农业和自然资源县推广教育家，曾担任园艺，综合有害生物管理和环境教育。除了追逐蜜蜂外，丹妮丝还与丈夫和狗一起沿着塔斯卡拉瓦斯河沿着托斯卡拉瓦斯河沿着拖车小径远足。
可重复使用运载火箭下降与精确着陆的先进制导与鲁棒控制耦合
摘要：本文研究了连续凸优化制导与鲁棒结构化 H ∞ 控制的耦合，用于可重复使用运载火箭 (RLV) 的下降和精确着陆。更具体地说，该制导和控制 (G&C) 系统预计将集成到非线性六自由度 RLV 控制动力学模拟器中，该模拟器涵盖配备推力矢量控制系统和可操纵平面翼的第一级火箭的气动和动力下降阶段，直到垂直着陆。进行了成本函数策略分析，以找出最有效的闭环实现方法，其中包括鲁棒控制系统和所涉及的运载火箭飞行力学。此外，还详细介绍了通过结构化 H ∞ 进行控制器合成。后者是在下降轨迹的不同点使用比例-积分-微分 (PID) 类结构构建的，并对姿态角、速率和横向体速度进行反馈。通过上述模拟器的线性分析和非线性情况验证了该架构，并通过在正常条件下以及存在扰动的情况下与基线系统比较性能和稳健性来验证 G&C 方法。总体结果表明，所提出的 G&C 系统是可重复使用发射器真实下降飞行和精确着陆阶段的相关候选系统。
使用生成对抗网络的生成合成飞机着陆轨迹
摘要 - 空中交通管理（ATM）系统的需求增加和复杂性需要在自动化方面取得重大进步，以确保安全和效率。人工知识（AI）和机器学习（ML）正在成为管理这种日益复杂性的有希望的解决方案，提供了增强的决策和预测能力。但是，ML模型在ATM中的有效性在很大程度上依赖于广泛的高质量数据的可用性。在许多情况下，此类数据是稀缺或不完整的，这为训练强大的模型带来了主要障碍。合成数据生成（SDG）是解决此问题的可行解决方案，从而可以创建解锁ML值求主的现实数据集。终端操纵区域（TMA）是空域的关键部分，其特征是交通密度高和轨迹类型，需要颗粒状数据才能准确地对这些情况进行建模。这项工作的主要研究目标是调查时机在产生合成的4维飞机着陆轨迹方面的适用性，能够捕获该空域中的交通模式，从而有助于分析空域约束并延迟传播。根据数据多样性，保真度和实用性评估了所得的合成轨迹。研究期间确定的主要挑战是数据类别的不平衡，这影响了模型准确捕获数据模式的能力，尤其是在较不频繁的情况下。这项工作证明了时刻在产生多种现实的轨迹方面的能力，这些轨迹难以与实际历史数据区分开。基于单独的分组生成合成数据显示了解决这些不平衡的希望，尽管这种方法对组的名称敏感。关键字 - 空气流量管理，深层生成模型，生成对抗网络，多元时间序列序列，合成数据质量评估
AI引导的火箭着陆：导航精确下降策略
摘要。自主火箭着陆是航空航天工程中的关键里程碑，这是实现安全且具有成本效益的太空任务的关键。本文介绍了一种开创性的方法，该方法采用了强化学习方法来提高火箭着陆程序的精确性和效率。基于逼真的Falcon 9模型，该研究集成了复杂的控制机制，包括推力矢量控制（TVC）和冷气推进器（CGT），以确保敏捷推进和平衡调整。观察数据，传递关键参数，例如火箭位置，方向和速度，指导强化学习算法做出实时决策以优化着陆轨迹。通过战略实施课程学习策略和近端政策优化（PPO）算法，火箭代理进行了迭代培训，稳步提高了其在指定垫上执行软着陆的能力。实验结果强调了所提出的方法的疗效，在实现精确和受控下降方面表现出非常熟练的能力。这项研究代表了自主着陆系统的进步，准备彻底改变太空探索任务，并在商业火箭企业中解锁新的边界。
前拉莫纳爆炸目标/紧急着陆场
前拉莫纳轰炸目标/紧急着陆场在 1943 年至 1945 年间被圣地亚哥海军航空中心用作轰炸练习场。通过历史研究和现场考察，与前拉莫纳轰炸目标/紧急着陆场相关的区域（称为拉莫纳轰炸目标）已被确定为具有潜在爆炸危险。已知或怀疑在该目标上使用的弹药包括带有定点炸药的练习炸弹。
无人机自动着陆系统集成了野生环境中的定位，跟踪和降落
无人驾驶汽车（UAV）的抽象高可利用性着陆系统已广泛关注它们在复杂的野生环境中的适用性。准确的定位，灵活的跟踪和可靠的恢复是无人机着陆的主要挑战。在本文中，提出并实施了一个新型的无人机自动着陆系统及其控制框架。它由环境感知系统，无人接地车辆（UGV）以及斯图尔特平台定位，跟踪和自动恢复无人机。首先，开发基于多传感器融合的识别算法是为了借助一维转盘实时定位目标。其次，提出了由UGV和着陆平台组成的双阶段跟踪策略，以动态跟踪着陆无人机。在广泛的范围内，UGV负责通过人工电位场（APF）路径计划和模型预测控制（MPC）跟踪算法进行快速跟踪。虽然在平台控制器中采用了梯形速度计划来补偿UGV的跟踪误差，但在较小范围内实现了对无人机的精确跟踪。此外，一种恢复算法，包括姿态补偿控制器和阻抗控制器，是为Stewart平台设计的，可确保无人机的水平和合规降落。最后，广泛的模拟和实验致力于验证开发系统和框架的可行性和可靠性，这表明它是在野生环境（例如草原，斜坡和雪）中无人用自动降落的卓越案例。
垂直起飞和着陆的设计与分析
我们知道，固定翼无人机需要长跑道才能起飞和降落，还有其他时间。由于很难在城市地区拥有更长的跑道，因此需要垂直起飞和降落（VTOL）。VTOL飞机是具有垂直起飞和降落，然后过渡到水平飞行的飞行系统的类型，还允许飞机高速覆盖长距离，并且在不需要跑道的情况下以垂直方式起飞和降落也有优势。VTOL的各种应用，例如可以使用，包括空中移动性，用于货物和包装，在医疗保健应用中以及紧急服务中。VTOL的新趋势是它可以用作空气救护车。空中救护车服务是一个董事会术语，将两个含义（即使用基本紧急医疗服务的航空运输能够将受伤的患者或病人运送到医疗机构和医疗机构。因此，用其他术语来说，我们可以说它基本上就像在紧急情况下像空运患者一样。在这里，我们专注于开发前进的VTOL空气救护车，这些救护车可以在任何情况下使用，并且能够更精确，更有效地进行其工作。
使用机器学习的自主无人机强制着陆现场预测
无人驾驶汽车或无人机正在越来越多的应用中使用，包括监视，搜索和救援以及环境跟踪。但是，意外的发动机问题，发动机故障和飞行表面的崩溃可能需要强迫着陆，使无人机及其周围环境处于危险之中。如果无人机安全地降落的能力（例如建筑物或树木）有任何障碍，则必须能够返回其紧急着陆点。因此，在这些紧急情况下，可以迅速识别安全着陆场所的自动化技术。本文提出了一种创新的方法，该方法添加了特征提取，包括HOG，HSV，LBP和SFIT。gmm，SVM和使用机器学习技术本能地选择适当的无人机造成的着陆点的内核。通过使用机器学习和功能提取技术，我们在基线上提高了40％的精度。所提出的系统集成了来自多个来源的数据，包括地形图，卫星图像和板传感器。机器学习算法预测了可能的着陆点。注释的数据集，其因素，包括地形高度，土地覆盖类型，坡度和与障碍物的接近度用于训练这些算法。尤其是人工神经网络或ANN。
朝着陆地和非...
摘要 - 本文分析了非陆地网络（NTN）的关键特征，这些特征由高空元素作为卫星地理和狮子座，以及低空元素作为无人机和空中平台。这些元素与地面网络（TNS）集成在一起以创建3D环境。管理，精心策划和控制此集成网络需要复杂的程序。这种复杂性主要源于NTN元素的动态性质，NTN元素需要连续变化的通信链接，这可能会导致服务质量以及整体上的几个麻烦，而交换的总体上有一些麻烦。本文介绍了意大利ITA-NTN项目的愿景，详细介绍了所有这些架构和动态方面，并为整个TN-NTN基础架构的管理和控制提供了一些准则，考虑了从3GPP和ETSI中提供的交叉层面的主要建议，包括3GPP和ETSI，包括基于艺术知识的eTSICERINCE，以及许多网络，以及许多网络，以及许多网络，都应进行许多网络。
基于稳健深度学习激光雷达的自主太空着陆器姿态估计
在太空着陆操作期间，准确估计航天器的相对姿态对于确保安全成功着陆至关重要。本文提出了一种基于 3D 光检测和测距 (LiDAR) 的 AI 相对导航架构解决方案，用于自主太空着陆。所提出的架构基于混合深度循环卷积神经网络 (DR-CNN)，将卷积神经网络 (CNN) 与基于长短期记忆 (LSTM) 网络的循环神经网络 (RNN) 相结合。获取的 3D LiDAR 数据被转换为多投影图像，并将深度和其他多投影图像输入 DRCNN。该架构的 CNN 模块可以有效地表示特征，而 RNN 模块作为 LSTM，可提供鲁棒的导航运动估计。我们考虑、模拟和实验了各种着陆场景，以评估所提出架构的效率。首先使用 PANGU（行星和小行星自然场景生成实用程序）软件创建基于 LiDAR 的图像数据（范围、坡度和海拔），然后使用这些数据对所提出的解决方案进行评估。建议使用 Gazebo 软件中的仪表化空中机器人进行测试，以模拟在合成但具有代表性的月球地形（3D 数字高程模型）上着陆的场景。最后，使用配备 Velodyne VLP16 3D LiDAR 传感器的真实飞行无人机进行真实实验，以在设计的缩小版月球着陆表面上着陆时生成真实的 3D 场景点云。所有获得的测试结果表明，所提出的架构能够通过良好合理的计算提供良好的 6 自由度 (DoF) 姿势精度。