摘要:准确且健壮的同时定位和映射(SLAM)系统对于自动水下车辆(AUV)至关重要,可以在未知环境中执行任务。然而,直接将基于深度学习的SLAM方法应用于水下环境会带来挑战,这是由于纹理较弱,图像退化以及无法准确注释关键点的挑战。在本文中,提出了强大的深入学习视觉大满贯系统。首先,一个名为UWNET的功能生成器旨在解决弱纹理和图像降解问题,并提取更准确的关键点功能及其描述符。此外,基于改进的水下成像物理模型以自我监督的方式训练网络的知识蒸馏概念。最后,将UWNET集成到ORB-SLAM3中以替换传统的特征提取器。提取的本地和全局特征分别用于特征跟踪和闭环检测模块。公共数据集和自收集的池数据集的实验结果验证了所提出的系统在复杂方案中保持高精度和鲁棒性。
摘要:随着风电、光伏等可再生能源的不断扩张,其波动性和不确定性对系统调峰带来重大挑战。为加强系统的调峰管理和风电与光伏发电的融合,本文提出了一种结合深度调峰的风电-光伏热储电力系统分布式稳健优化调度策略。首先,建立了火电机组详细的调峰过程模型,建立了考虑碳排放的风电-光伏热储多能源耦合模型。其次,针对风电-光伏输出的变化性和不确定性,利用1-范数和∞-范数约束场景概率分布模糊集,建立了数据驱动的分布式稳健优化调度模型。最后,通过列和约束生成算法(C&CG)对模型进行迭代求解。结果表明,所提出的策略不仅增强了系统的峰值负荷处理和WD-PV集成,而且提高了系统的经济效率并减少了系统的碳排放,实现了模型经济性和系统稳健性之间的平衡。
*截至 2023 年 12 月 31 日止年度 2023 年毛利率提高 14 个基点至 39.5%。鉴于库存较去年大幅减少 9.87 亿美元,这一毛利率改善令人鼓舞。息税前利润为 11 亿美元,较 2022 年下降 5.5%。2023 年下半年,息税前利润提高至 5.75 亿美元,较 2022 年下半年增长 1.1%。TTI 实现净利润 9.76 亿美元。与去年相比下降 9.4% 的部分原因是该期间利率大幅上升,导致利息支出增加。每股收益也下降 9.3% 至 53.36 美分。营运资本占销售额的百分比从去年的 21.2% 提高到 2023 年的 17.7%。营运资本的减少帮助推动了当年创纪录的 13 亿美元的自由现金流,该集团有望在 2024 年及未来实现强劲的自由现金流。
提出了一种新的混合系统,用于通过使用多目标遗传算法在灰度图像上自动生成和训练量子启发的分类器。定义了动态适应性函数,以获得最小的电路复杂性和最高的观点数据精度,从而确保所提出的技术是可以推广且健壮的。同时,它通过惩罚其外观和门数来最大程度地减少生成电路的复杂性。通过使用二维降低方法来减少图像的大小:主成分分析(PCA),该方法在个人内部编码并由系统进行了遗传优化,以及一个小的卷积自动编码器(CAE)。这两种方法相互比较,并采用经典的非线性方法来理解其行为,并确保分类能力是由于量子电路而不是用于降低维度的预处理技术引起的。
中期业绩挑战重重,利润率和市场份额强劲 康维他有限公司 (NZX:CVT) 今天公布了截至 2023 年 12 月 31 日的半年 (2024 财年上半年) 中期业绩,与 2024 年 2 月 1 日向市场提供的最新更新一致。康维他还提供了有关其 2024 财年预测的更多详细信息,并重申了其对 2025 财年的展望。2024 财年上半年业绩受到中国大陆消费者信心走弱的影响,在较小程度上也受到北美的影响,在北美,业绩还受到失去一位客户的部分分销权的影响。然而,康维他仍然是其六个主要市场中的五个市场的领导者,其市场定位和利润率仍然强劲,毛利率为 60%,这与康维他 2025 财年战略计划一致。虽然中国销售额仍低于上年同期水平(如我们最近更新的 2024 财年指引所示),但近期出现了一些改善迹象,第二季度较第一季度有大幅增长,令人欣慰的是,这种增长势头一直持续到 1 月份。与此同时,下半年在北美新签署的分销协议将部分抵消上述分销损失。展望未来,一旦交易开始正常化,管理层仍将专注于实现 2020 年首次提出的 2025 财年战略计划。该计划在 2023 财年之前实现了三年半的持续营收和利润增长,符合市场指引。此时,康维他预计将看到势头的回归,再加上强大的市场份额,将为公司的增长做好准备。摘要 FY24 H1 收入 1.03 亿美元,较去年同期下降 7.8% (PCP) FY24 H1 EBITDA(不包括 ERP 成本)950 万美元,较 PCP 下降 32%,受中国和北美市场疲软以及 2023 年 12 月负(主要是非现金)外汇调整的影响 净债务最终为 8600 万美元,符合其最新指引,由于对 HoneyWorld™、Apiter 的投资以及库存水平提高,较 PCP 高出 2200 万美元 FY24 收入预计为 2.25 亿至 2.35 亿美元 FY24 EBITDA(不包括 ERP 成本)预计为 3000 万美元至 3500 万美元 前景受消费者需求下降推动,最明显的是 Comvita 最大的市场中国,以及北美需求放缓加上分销变化 毛利率保持在 60%。在主要市场,市场份额保持稳定或不断增长 对 FY25 战略计划的影响:一旦交易条件正常化,Comvita 将专注于恢复持续增长。管理层仍致力于其 FY25 战略计划,以实现 5000 万加元的 EBITDA,但要取决于更稳定的交易环境的时机 股息:董事宣布派发 1 cps 的完全估算中期股息 H1 FY24 业绩 Comvita 的收入为 1.03 亿美元,较 PCP 减少 880 万美元,最近收购的 HoneyWorld™ 贡献了 680 万美元的收入。因此,在同类基础上,在调整 Comvita 对 HoneyWorld™ 的 PCP 销售额 140 万美元后,不包括 HoneyWorld™ 的收入较 PCP 下降 1400 万美元(-12%)。毛利率强劲,达到 60.2%,与 FY25 战略计划一致,但由于 PCP 中的配方收益和一次性拨备释放,毛利率较 PCP 下降了 160 个基点。直接利润率较 PCP 增加了 +140 个基点。
角度同步问题旨在从 m 个噪声测量偏移量 θ i ´ θ j mod 2 π 中准确估计(直到恒定的加性相位)一组未知角度 θ 1 , ... , θ n P r 0 , 2 π q 。例如,应用包括传感器网络定位、相位检索和分布式时钟同步。将该问题扩展到异构设置(称为 k 同步)是同时估计 k 组角度,给定每组的噪声观测(组分配未知)。现有的角度同步方法通常在高噪声环境中表现不佳,这在应用中很常见。在本文中,我们利用神经网络解决角度同步问题及其异构扩展,提出了 GNNS YNC,这是一个使用有向图神经网络的理论性端到端可训练框架。此外,还设计了新的损失函数来编码同步目标。在大量数据集上的实验结果表明,GNNSync 在角度同步问题及其扩展的一组全面基线中获得了具有竞争力的、通常更优异的性能,证明了 GNNSync 即使在高噪声水平下也具有鲁棒性。1 引言近年来,组同步问题作为许多计算问题的关键构建块受到了广泛关注。组同步旨在估计一组组元素,给定它们的成对比率 Υ i,j “ gig ´ 1 j 的一小部分潜在噪声测量值。一些应用包括‚在 3D 旋转的群 SO(3) 上:3D 计算机视觉中的旋转平均(Arrigoni & Fusiello,2020;Janco & Bendory,2022)和结构生物学中的分子问题(Cucuringu et al.,2012b); ‚ 在整数 t 0 , 1 , 2 , 3 u 的群 Z 4 上,以模 4 加法作为群运算:解决拼图游戏 (Huroyan et al., 2020);‚ 在群 Z n ,分别为 SO(2) 上:从成对比较中恢复全局排名 (He et al., 2022a; Cucuringu, 2016),以及,‚ 在刚体运动的欧几里得群 Euc p 2 q “ Z 2 ˆ SO(2) ˆ R 2 上:传感器网络定位 (Cucuringu et al., 2012a)。
摘要 - 在恶劣条件下在复杂情况下驾驶车辆是自动驾驶汽车(AV)的最大挑战。为了解决这个问题,我们在复杂的场景中使用前主动转向系统提出了层次运动计划和稳健的控制策略,并在各种湿滑的道路粘附系数中,同时考虑车辆不确定的参数。通过智能驾驶员模型(IDM)考虑并以车辆跟随模型的形式考虑人类车辆(HVS)的行为(HVS)。然后,在上层中,运动计划者首先使用人工电位场(APF)算法来生成最佳轨迹,例如,路标,边界和静态/动态障碍物,例如道路标记,边界和静态/动态障碍。为了在下层跟踪生成的最佳trajectory,通过应用线性矩阵不等式(LMI)优化方法,使用线性参数变化(LPV)系统来实现离线约束的输出反馈鲁棒模型预测性控制(RMPC),以确保对模型参数的鲁棒性不适合模型不限制。更重要的是,通过增强系统模型,我们提出的方法称为离线RMPC,与三种现有的RMPC方法相比,具有出色的效率,例如,偏置式挡板offline RMPC,在线rmpc,在线rmpc和离线rmpc无需增强模型(离线rmpc w/o am),在不线rmpc w/o am)(均改进了计算时间),并改进了计算时间和添加时间。
。CC-BY-NC-ND 4.0 国际许可证下可用(未经同行评审认证)是作者/资助者,他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2024 年 2 月 8 日发布。;https://doi.org/10.1101/2024.02.06.579165 doi:bioRxiv 预印本
摘要。这项研究重点是探索强化学习算法双胞胎的鲁棒性,延迟了深层确定性的政策梯度(TD3),尤其是在面对不确定性,噪音和钉子的表现方面。强化学习是一种机器学习范式,在该范式中,代理商学习如何执行任务并通过与环境的互动来优化长期奖励。这种学习方法在自动驾驶,游戏,机器人控制等领域具有广泛的应用。TD3是一种高级强化学习算法,在各种复杂的任务和环境中的性能非常出色。此外,TD3具有一些独特的性能优势,例如双Q批评结构和目标策略平滑,这在面对不确定性和噪音时可能会使其强大。虽然对增强学习的鲁棒性进行了广泛的研究,但相对缺乏专门针对TD3的研究。本研究旨在填补这一空白,并研究当添加不同类型的噪声或受到攻击时TD3的性能如何变化。这项研究的目的不仅旨在更深入地了解TD3算法本身,还旨在为增强学习鲁棒性的理论和实践提供强有力的支持。这项研究具有广泛的应用和学术价值,并有可能在强化学习领域推动进一步的进步。
从持续的地缘政治动荡对大宗商品市场的影响,到全球可再生能源部署面临的当前挑战,2024 年对于能源行业来说将是喜忧参半的一年。但即使进展速度开始稳定下来,我们仍指出了能源转型道路上的一些积极发展和希望。