XiaoMi-AI文件搜索系统
World File Search System轨迹长度
基于视觉的栖息飞机导航系统
摘要 本文介绍了使用位置传感二极管 (PSD)（一种光源方向传感器）设计基于视觉的栖息飞机导航系统的研究。飞机栖息机动模仿鸟类着陆，以低速或可忽略不计的冲击力爬升着陆。它们经过优化以减少其空间要求，例如高度增益或轨迹长度。由于干扰和不确定性，通过跟踪最佳轨迹实现实时栖息。由于控制器的性能取决于估计的飞机状态的准确性，因此建议在状态估计模型中使用 PSD 测量值作为观测值以实现精确着陆。通过数值模拟研究了该导航系统的性能和适用性。通过最小化轨迹长度来计算最佳栖息轨迹。加速度、角速率和 PSD 读数是根据该轨迹确定的，然后与实验获得的噪声相加以创建模拟传感器测量值。对最优着陆轨迹的初始状态进行扰动，通过假设零偏差，实现扩展卡尔曼滤波器进行飞机状态估计。结果表明，估计飞机状态与实际飞机状态之间的误差沿轨迹减小，从而验证了所提出的导航系统。
用于机器学习的参数化量子电路
量子计算机能否用于实现比传统方法更好的机器学习模型？这些方法是否适合当今嘈杂的量子硬件？在本文中，我们制作了一个 Python 框架，用于实现基于在量子硬件上评估的参数化量子电路的机器学习模型。该框架能够实现量子神经网络 (QNN) 和量子电路网络 (QCN)，并使用基于梯度的方法对其进行训练。为了计算量子电路网络的梯度，我们开发了一种基于参数移位规则的反向传播算法，该算法同时利用了经典硬件和量子硬件。我们进行了一项数值研究，试图描述密集神经网络 (DNN)、QNN 和 QCN 如何作为模型架构的函数运行。我们专注于研究消失梯度现象，并分别使用经验费舍尔信息矩阵 (EFIM) 和轨迹长度量化模型的可训练性和表达性。我们还通过在人工数据以及真实世界数据集上训练模型来测试模型的性能。
机器学习的参数化量子电路
是否可以将量子计算机用于实现比传统方法更好的机器学习模型，并且此类方法适合当今的嘈杂量子硬件吗？在本论文中，我们制作了一个Python框架，用于基于在量子硬件上评估的参数化量子电路来实施机器学习模型。该框架能够实现量子神经网络（QNN）和量子电路网络（QCN），并使用基于梯度的方法训练它们。为了计算量子电路网络的梯度，我们基于利用经典和量子硬件的参数移动规则开发了一种反向传播算法。我们进行了一项数值研究，我们试图表征密集神经网络（DNNS），QNN和QCN的表现如何作为模型架构的函数。我们专注于研究消失的梯度现象，并分别使用经验纤维信息矩阵（EFIM）和轨迹长度来量化模型的训练性和表达性。我们还通过对人工数据以及现实世界数据集训练模型来测试模型的性能。
学习协助和与新手无人机飞行员沟通...
摘要 — 涉及检查和着陆任务的无人机 (UAV) 多任务任务对于新手飞行员来说具有挑战性，因为与深度感知和控制界面相关的困难。我们提出了一个共享自主系统以及补充信息显示，以帮助飞行员在没有任何飞行员培训的情况下成功完成多任务任务。我们的方法包括三个模块：（1）将视觉信息编码到潜在表示上的感知模块，（2）增强飞行员动作的策略模块，以及（3）向飞行员提供额外信息的信息增强模块。在用户研究 (n = 29) 中，策略模块在模拟中使用模拟用户进行训练，并在未经修改的情况下转移到现实世界，同时还有补充信息方案，包括学习到的红/绿光反馈提示和增强现实显示。策略模块不知道飞行员的意图，只能根据飞行员的输入和无人机的状态推断。助手将着陆和检查任务的任务成功率分别从 [16.67% 和 54.29%] 提高到 [95.59% 和 96.22%]。借助助手，缺乏经验的飞行员也能取得与经验丰富的飞行员类似的表现。红/绿灯反馈提示可将检查任务所需的时间缩短 19.53%，轨迹长度缩短 17.86%，参与者将其评为他们的首选条件，因为界面直观且令人放心。这项工作表明，简单的用户模型可以在模拟中训练共享自主系统，并转移到物理任务以估计用户意图并为飞行员提供有效的帮助和信息。
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。