XiaoMi-AI文件搜索系统
World File Search System规划算法
文章基于优化的*算法
摘要：随着智能驾驶技术的快速发展，实现无人车辆的准确路径计划变得越来越重要。但是，在处理复杂且不断变化的道路状况时，路径规划算法面临挑战。在本文中，提出了基于优化的全球编程算法，旨在提高生成路径的准确性和鲁棒性，同时保持了传统A*算法的效率。首先，将惩罚函数和障碍栅格系数集成到搜索成本函数中，以增加搜索路径的适应性和方向性。其次，提出了一种有效的搜索策略来解决轨迹将通过稀疏障碍的问题，同时降低空间复杂性。第三，基于离散平滑优化的冗余节点消除策略有效地减少了控制点和路径的总长度，并大大降低了随后的轨迹优化的难度。最后，基于实际地图栅格化的仿真结果突出了路径计划的高级性能以及基准之间的比较，而拟议的策略则表明了优化的A*算法可显着提高计划中路径的安全性和合理性。值得注意的是，它将遍历节点的数量减少了84％，总转弯角度降低了39％，并在一定程度上缩短了总路径长度。
空间机器人在轨装配技术综述
大型结构建造是未来太空探索的主要发展趋势之一，例如大型空间站、大型空间太阳能发电站、大型空间望远镜等，充分利用空间机器人实现空间结构自主装配是航天工业的重要发展趋势之一。考虑到在轨装配是解决大型空间结构建造问题的有效方法，有必要推动和促进空间机器人在轨装配技术的研究。因此，本文对近几十年来空间机器人技术的发展现状以及相关的空间机器人在轨装配技术进行了综述。首先，基于空间机器人运动规划和装配序列规划，介绍了空间机器人规划算法的发展。针对空间机器人装配任务，综述了空间机器人装配方法。从控制角度，综述了如何解决在轨装配的振动抑制和柔顺装配，为空间机器人对空间大型结构的自主智能装配提供参考。为了在地面模拟空间组装场景，本文介绍了地面验证试验的发展情况，为空间在轨组装技术的有效验证提供了思路。综上所述，虽然过去的研究已经较好地解决了其中一些问题，但未来仍需要进一步的研究。最后，展望了空间机械在轨组装未来的研究方向。
空间机器人在轨装配技术综述
大型结构建造是未来太空探索的主要发展趋势之一，例如大型空间站、大型空间太阳能发电站、大型空间望远镜等，充分利用空间机器人实现空间结构自主装配是航天工业的重要发展趋势之一。考虑到在轨装配是解决大型空间结构建造问题的有效方法，有必要推动和促进空间机器人在轨装配技术的研究。因此，本文对近几十年来空间机器人技术的发展现状以及相关的空间机器人在轨装配技术进行了综述。首先，基于空间机器人运动规划和装配序列规划，介绍了空间机器人规划算法的发展。针对空间机器人装配任务，综述了空间机器人装配方法。从控制角度，综述了如何解决在轨装配的振动抑制和柔顺装配，为空间机器人对空间大型结构的自主智能装配提供参考。为了在地面模拟空间组装场景，本文介绍了地面验证试验的发展情况，为空间在轨组装技术的有效验证提供了思路。综上所述，虽然过去的研究已经较好地解决了其中一些问题，但未来仍需要进一步的研究。最后，展望了空间机械在轨组装未来的研究方向。
能源转换与管理
多代能源系统的最佳管理是不断增长的能源需求所面临的挑战之一。为了解决这一紧迫问题，本文提出了一种确定多代能源系统最佳调度策略的方法。所谓的分时电价是基于时间的主要需求响应程序之一，它允许将关键负载从一个时间间隔转移到另一个时间间隔（例如，将电力使用转移到需求较低的一天中价格较低的时段）。因此，本文采用分时电价来增加多代能源系统管理的灵活性，从而优化能源生产与用户需求之间的相互作用。本文的目标是最小化一次能源消耗或运营成本。无论考虑什么目标函数，都可以通过同时在两个层面上采取行动来实现目标，即优化需求响应程序和确定多代能源系统最有利的管理策略。采用混合整数线性规划算法来确定最优策略。案例研究通过真实世界的负载曲线，以一小时为时间步长考虑了全年的运营情况。所提出的方法既可以节省一次能源（超过 1%），又可以降低运营成本（超过 8%）。所提出的方法表明，在能源调度的最佳策略中实施需求响应计划，既可以节省一次能源，又可以降低运营成本（相对于基线情景，即无负载转移）。在负载转移程度较高的情景中，一次能源消耗和运营成本的降低程度更高（本文中为每日电能峰值的 30%）。
经过形式化验证的基于 SAT 的 AI 规划
简介：不同的规划竞赛 (Long 等人 2000；Coles 等人 2012；Vallati 等人 2015) 表明，规划系统正变得越来越可扩展和高效，使其适合实际应用。由于规划的许多应用都是安全至关重要的，因此提高规划算法和系统的可信度对于它们的广泛采用至关重要。因此，目前正在做出大量努力来提高规划系统的可信度 (Howey、Long 和 Fox 2004；Eriksson、R¨oger 和 Helmert 2017；Abdulaziz、Norrish 和 Gretton 2018；Abdulaziz 和 Lammich 2018)。提高软件的可信度是一个研究得很透彻的问题。文献中尝试了三种方法 (Abdulaziz、Mehlhorn 和 Nipkow 2019)。首先，通过应用软件工程技术，例如在正确的抽象层次上编程、代码审查和测试，可以提高系统的可信度。虽然这些做法相对容易实现，但它们并不完整。其次，有认证计算，给定的程序除了计算其输出外，还要计算一个证书，说明为什么这个输出是正确的。这将可信度的负担转移到证书检查器上，证书检查器应该比要认证其输出的系统简单得多，因此不容易出错。认证计算是由 Mehlhorn 和 N¨aher 于 1998 年率先提出的，他们将其用于他们的 LEDA 库。在规划领域，这种方法是由 Howey、Long 和 Fox 率先提出的，他们开发了规划验证器 VAL（Howey、Long 和 Fox 2004）。此外，认证规划的不可解性是由 Eriksson 率先提出的，
自动驾驶汽车导航系统的数学技术
摘要：高级数学方法在自动驾驶指导系统中经常使用，以确保它们正常，可靠和有效地工作。这个摘要谈论用于创建和改进这些系统的一些最重要的数学方法。一种重要的方法是概率机器人，它使用贝叶斯过滤器，例如Kalman滤波器及其非线性版本（扩展的Kalman滤波器和无味的Kalman滤波器）来估计车辆的状态并了解不总是清晰或响亮的传感器数据。路径规划算法（如A和Dijkstra的算法）需要找到最佳路线。基于抽样的方法，例如快速探索随机树（RRT），可以帮助解决高维空间中的问题。控制理论是保持汽车稳定并遵循您想要采取的方向的非常重要的部分。模型预测控制（MPC）经常使用，因为它可以在考虑系统行为时处理具有多个变量的控制作业。用于建模车辆如何移动，使用微分方程和动力学系统理论来显示控制输入如何影响车辆随着时间的推移的作用。此外，将来自LiDAR，相机和GP等不同来源的数据组合在一起的方法对于制作世界的准确而完整的图片非常重要。优化方法通过调整汽车的路径，减少能源利用并缩短行程时间来改善跟踪。通过使用老式的数学方法和新的，尖端的机器学习方法，自动驾驶汽车跟踪系统变得越来越聪明，更有能力和更可靠。除了这些方法外，还越来越多地将机器学习和深度学习添加到指导系统中，以帮助他们做出更好的决策，并在快速变化且非常复杂的设置中更加灵活。这些模型可以通过查找趋势并进行预测来从非常大的数据集中学习，这些预测对于找到对象，理解场景和自行做出决策等任务很重要。这使得他们可以在现实生活中广泛使用。
自动移动机器人的能源效率的审查
目的：本文旨在对自主移动机器人（AMR）的能源效率（AMR）的最新技术进行全面分析，重点介绍能源，消费模型，能源效率的运动，硬件能量消耗，路径计划中的优化和调度方法的优化，并建议未来的研究指示。设计/方法/方法：系统文献综述确定了244篇分析论文。从2010年开始发表的研究文章在包括Google Scholar，ScienceDirect和Scopus在内的数据库中搜索，并使用与各种机器人系统中的能源和功率管理有关的关键字和搜索标准进行了搜索。调查结果：评论重点介绍了以下关键发现：1）电池是AMR的主要能源，并且电池管理系统的进步提高了效率； 2）混合模型具有卓越的准确性和鲁棒性； 3）运动占移动机器人总能源消耗的50％以上，强调需要优化的控制方法； 4）诸如质量影响AMR能源消耗之类的因素； 5）路径规划算法和调度方法对于能量优化至关重要，算法选择取决于特定的要求和约束。研究局限性：审查集中于车轮机器人，不包括步行的机器人。未来的工作应改善消费模型，探索优化方法，检查AI/ML角色并评估能源效率的权衡。关键字：自动移动机器人，能源效率，系统文献审查，优化，能源消耗模型，路径计划文章类型：评论独创性/价值：本文对AMR中的能源效率进行了全面的分析，强调了系统文献综述的关键发现，并提出了未来的研究方向，以进一步进步。
用于机器人建模、路径规划和智能控制的人工智能
人工智能 (AI) 是机器所展现的智能，与人类所展现的自然智能形成对比。人工智能研究的例子包括推理、知识表示、规划、学习、自然语言处理、感知以及移动和操纵物体的能力，这通常被视为智能控制。近年来，人工智能在机器人领域的应用呈指数级增长。人工智能在机器人的路径规划中起着至关重要的作用，可以快速响应复杂环境中的变化。它还在机器人的建模和智能控制中发挥着主导作用，允许更复杂的反馈分析、自我调整应用程序和即时适应环境变化。不断变化的工业环境，如灵活的制造设施和自动化仓库，机器人旨在与人类并肩工作，直接受益于基于人工智能算法的复杂路径规划和自主决策的进步。在消费者方面，清洁机器人和送货机器人等应用也正在成为我们日常生活的一部分。人工智能路径规划和控制算法的实施大大提高了这些机器人的效率和实用性，因为这些机器人必须运行的环境是高度动态的，需要不断适应。本研究主题归入“机器人和人工智能前沿”中的“机器人控制系统”部分。Tan 等人的第一篇文章。专注于为机器人设计机制和算法，作为路径规划和控制的平台。当前的机器人设计一直从游戏和娱乐产品 (GEA) 中汲取灵感。然而，在机器人技术中实施受 GEA 启发的设计缺乏系统性和通用性。本文基于 GEA 的启发，提出了一种系统的机器人设计范式。可以遵循问题驱动和解决方案驱动的过程，以利用 GEA 的类比，从而获得针对实际问题的机器人解决方案。通过使用可重构地板清洁机器人及其路径规划算法，展示了该设计范式的应用。由于具有推理能力，AI 在实现协作机器人的安全人机交互 (HRI) 方面起着至关重要的作用。Du 等人的文章结合了不同的 AI 技术，实现了安全 HRI 的主动避碰。采用微软体感输入设备Kinect检测进入机器人工作空间的人员，实时计算人体骨骼数据。采用具有防撞知识的专家系统分析人体行为，实现主动防撞。采用人工势场法为机器人规划新路径，如：
复杂环境下不规则声呐浮标模式的设计和性能 Donald R. DelBalzo Kevin C. Stangl 技术解决方案集团 OPNAV N874 QinetiQ 北美 NC1/Suite 1200 40201 Hwy 190 E 2000 海军五角大楼 Slidell, LA 70461 华盛顿特区 20350-2000
摘要 - 冷战期间开发了用于深而均匀的海底环境的最佳单基地声纳浮标场模式，其中可以使用简单的中值检测范围来定义声纳浮标之间有用的固定间距。然而，当前经常进行作战的沿海环境中的海洋和声学条件非常复杂和动态，以至于空间和时间的变化破坏了与传统战术搜索概念相关的同质假设。已经开展了几项研究工作来设计更好的被动和单基地主动声纳浮标位置，但其中大多数是评估算法，而不是真正的规划算法。一种不同的算法方法已成功开发并最初应用于单基地移动传感器，该方法从一组随机的传感器位置开始，然后使用遗传算法找到接近最优的解决方案。遗传算法解决方案是非标准搜索路径，可适应复杂的海洋学、可变的底部特性和假定的目标战术 [DP Kierstead 和 DR DelBalzo，军事作战研究杂志（2003 年 3 月/4 月）]。随后开发了一种新功能，用于优化复杂沿海环境中多基地主动声纳浮标的位置（纬度、经度和深度）和 ping 时间。这些算法称为 SCOUT（传感器协调以实现最佳利用和战术）。SCOUT 对移动传感器遗传算法方法进行了两项重大修改，以考虑双基地和多基地声纳浮标领域，其中每个接收器都能够观察来自每个来源的数据。第一个是结构上的修改，引入了一条新染色体来描述战术计划。它为每个声纳浮标提供一个基因，由一个位置、一个有序的部署序列和一组 ping 时间组成。新染色体中的位置和时间独立变异，并以不规则模式和非连续 ping 序列为特征。第二个修改是在检测建模方面，引入了一种新的双基地检测模型。它允许结合相干和非相干处理。对于这项工作，我们假设可以同时监控所有声纳浮标。SCOUT 算法是我们之前的遗传算法工作的扩展，据我们所知，它们代表了唯一从头开始设计复杂环境中多静态主动声纳浮标位置的解决方案，而不是推荐一般的努力分配或简单地评估具有不同参数的标准模式。本文讨论了新的染色体结构和现实环境中的模拟结果。结果表明：a) SCOUT 可以有效地使多静态传感器场适应
不规则声呐浮标模式的设计和性能...
摘要 - 冷战期间开发了最佳单基地声纳浮标场模式，用于深而均匀的海底环境，其中简单的中值检测范围可用于定义声纳浮标之间有用的固定间距。然而，当前经常进行作战的沿海环境中的海洋和声学条件非常复杂且动态，以至于空间和时间的变化破坏了与传统战术搜索概念相关的同质假设。已经开展了多项研究工作来设计更好的被动和单基地主动声纳浮标位置，但其中大多数是评估算法，而不是真正的规划算法。一种不同的算法方法已成功开发并最初应用于单基地移动传感器，该方法从一组随机的传感器位置开始，然后使用遗传算法找到近似最优解。遗传算法解决方案是非标准搜索路径，可适应复杂的海洋学、可变的底部特性和假定的目标战术 [D.P.Kierstead 和 D.R.DelBalzo，《军事运筹学杂志》（2003 年 3 月/4 月）]。随后开发了一种新功能，用于优化复杂沿海环境中多静态主动声纳浮标的位置（纬度、经度和深度）和 ping 时间。这些算法称为 SCOUT（传感器协调以实现最佳利用和战术）。SCOUT 包含对移动传感器遗传算法方法的两项重大修改，以解释双静态和多静态声纳浮标场，其中每个接收器都能够观察来自每个源的数据。第一个修改是在结构上，引入了一个新的染色体来描述战术计划。每个声纳浮标都有一个基因，由一个位置、一个有序的部署序列和一组 ping 时间组成。新染色体中的位置和时间独立变异，并以不规则的模式和非连续的 ping 序列为特征。第二个修改是在检测建模上，引入了一种新的双基地检测模型。它允许相干和非相干处理的组合。对于这项工作，我们假设可以同时监控所有声纳浮标。本文讨论了现实环境中的新染色体结构和模拟结果。结果表明：a) SCOUT 可以有效地将多基地传感器场适应SCOUT 算法是我们之前的遗传算法工作的扩展，据我们所知，它们是唯一从头开始设计复杂环境中多静态主动声纳浮标位置的解决方案，而不是推荐一般的努力分配或简单地评估具有不同参数的标准模式。