XiaoMi-AI文件搜索系统
World File Search System闭环仿真
印度 Pratham 的态度确定和控制......
本文介绍了由印度理工学院孟买分校学生建造的微型卫星“Pratham”的姿态确定和控制子系统。学生卫星（如 Pratham）通常具有有限的传感、计算和通信能力，因此需要自主且计算效率高的算法。本文介绍了以最小计算负荷和无需任何地面支持即可实现所需指向精度的姿态确定和控制方法。三轴磁力计、六个 2-π 太阳传感器和一个单频 GPS 接收器用作机载传感器，使用单帧方法进行姿态确定。姿态控制器设计为使用三个正交磁力矩器实现 10 度的天底指向精度。通过涉及卫星环境、动力学、执行器和传感器模型的闭环仿真验证了算法的性能。最后，介绍了实时机载计算机在环仿真的初步结果。
LimSim++：用于在自动驾驶中部署多模态LLM的闭环平台
摘要 — 多模态大型语言模型 ((M)LLM) 的出现为人工智能开辟了新途径，尤其在自动驾驶领域，它提供了增强的理解和推理能力。本文介绍了 LimSim++，它是 LimSim 的扩展版本，专为 (M)LLM 在自动驾驶中的应用而设计。考虑到现有仿真平台的局限性，LimSim++ 满足了对支持自动驾驶持续学习和提高泛化能力的长期闭环基础设施的需求。该平台提供长时间、多场景模拟，为 (M)LLM 驱动的车辆提供关键信息。用户可以参与即时工程、模型评估和框架增强，使 LimSim++ 成为一个多功能的研究和实践工具。本文还介绍了一个基线 (M)LLM 驱动的框架，该框架通过在不同场景中的定量实验进行了系统验证。LimSim++ 的开源资源位于：https://pjlab-adg.github.io/limsim-plus/ 。索引词——自动驾驶汽车、闭环仿真、大型语言模型、知识驱动代理
与自动驾驶自适应世界模型进行计划
摘要 - 运动计划对于复杂的城市环境中的安全导航至关重要。从历史上看，运动策划者（MPS）已通过像卡拉这样的程序生成的模拟者进行了评估。但是，这种综合基准不会捕获现实世界的多代理相互作用。最近发布的MP基准标准 NUPLAN通过使用闭环仿真逻辑来增强现实世界驱动日志来解决此限制，从而有效地将固定的数据集变成了反应性模拟器。 我们分析了Nuplan记录的日志的特征，并发现每个城市都有其独特的驾驶行为，这表明健壮的计划者必须适应不同的环境。 我们学会用行为者（GravieNet）模拟这种独特的行为，该行为是一种图形卷积神经网络（GCNN），该卷积神经网络（GCNN）使用来自最近观察到的试剂历史的特征来预测反应性剂行为；从直觉上讲，一些侵略性的特工可能会导致铅车辆，而另一些则可能不会。 为了建模这种现象，cavenyet预测了代理运动控制器的参数，而不是直接预测其时空轨迹（就像大多数预报符一样）。 最后，我们提出了基于模型预测控制（MPC）计划者的AdapTivedRiver，该计划者展开了以行为网的预测为条件的不同世界模型。 我们的广泛实验表明，AdaptivedRiver在NUPLAN闭环计划基准上取得了最先进的结果，在14个硬式R-CLS上对先前的工作提高了2％，即使对从未见过的城市进行评估时也可以概括。NUPLAN通过使用闭环仿真逻辑来增强现实世界驱动日志来解决此限制，从而有效地将固定的数据集变成了反应性模拟器。我们分析了Nuplan记录的日志的特征，并发现每个城市都有其独特的驾驶行为，这表明健壮的计划者必须适应不同的环境。我们学会用行为者（GravieNet）模拟这种独特的行为，该行为是一种图形卷积神经网络（GCNN），该卷积神经网络（GCNN）使用来自最近观察到的试剂历史的特征来预测反应性剂行为；从直觉上讲，一些侵略性的特工可能会导致铅车辆，而另一些则可能不会。为了建模这种现象，cavenyet预测了代理运动控制器的参数，而不是直接预测其时空轨迹（就像大多数预报符一样）。最后，我们提出了基于模型预测控制（MPC）计划者的AdapTivedRiver，该计划者展开了以行为网的预测为条件的不同世界模型。我们的广泛实验表明，AdaptivedRiver在NUPLAN闭环计划基准上取得了最先进的结果，在14个硬式R-CLS上对先前的工作提高了2％，即使对从未见过的城市进行评估时也可以概括。