XiaoMi-AI文件搜索系统
World File Search System雷达数据
GANESHA AVIONICS - PT LAPI DIVUSI
为新的 ICAO 2012 飞行计划格式做好准备。与雷达数据 (Ganesha Avionics SDPS) 关联。处理多达 10,000 个飞行计划和重复计划。处理多达 8,000 个飞行计划轨迹 (飞行计划模拟)。多部门 (控制区)。消息中心通信 (ATN/AFTN)。SSR 代码管理。自动交接。自动电子和纸质飞行条。飞机和空域建模系统。警报：中期冲突、最低安全高度、垂直和横向冲突。ATS 设施间数据通信 (AIDC)。
机器学习估计雷达的最大垂直速度
摘要：尽管它们固有的对流及其相关的恶劣天气危害，但仍无法进行风暴上升的量化。上升的代理，例如从卫星造成的高层区域，与恶劣的天气危害有关，但仅与一定程度的总暴风雨上升到达有关。这项研究调查了机器学习模型，即U-NET是否可以巧妙地从单独的三维栅格雷达雷达反射性中巧妙地检索最大的垂直速度及其面积范围。使用模拟的雷达反射性和垂直速度对机器学习模型进行了训练，该模型从国家严重风暴实验室的对流中允许警告搜索系统（WOFS）训练。使用SINH - ARCSINH - 正态分布的参数回归技术适用于U-NETS运行，从而可以对最大垂直速度的最终和概率预测。超参数搜索后的最佳模型提供了小于50％的根平方误差，一个大于0.65的确定系数，以及由WOFS数据组成的独立测试集上的联合（IOU）的相交（IOU）超过0.45。除了WOFS分析之外，使用真实的雷达数据和超级电池内垂直速度的相应的双重多普勒分析进行了案例研究。U-NET始终低估了双重多个多置速度上升速度估计值50％。同时，5和10 m s 2 1上升气流核的面积显示为0.25。尽管上述统计数据并非例外，但机器学习模型可以快速蒸馏3D雷达数据，该数据与最大垂直速度有关，这对于评估风暴的严重潜力可能很有用。
使用机载激光雷达数据预测和绘制速生桉树林人工林地上碳含量的脉冲密度和网格单元大小的综合影响
摘要背景：LiDAR 遥感是一种快速发展的技术，用于量化各种森林属性，包括地上碳 (AGC)。脉冲密度影响 LiDAR 的采购成本，网格单元大小影响使用基于地块的方法进行的 AGC 预测；然而，很少有研究评估 LiDAR 脉冲密度和单元大小对预测和绘制快速生长的桉树人工林 AGC 的影响。本研究的目的是使用机载 LiDAR 和现场数据评估 LiDAR 脉冲密度和网格单元大小对地块和林分水平的 AGC 预测精度的影响。我们使用随机森林 (RF) 机器学习算法，使用来自 LiDAR 收集的 5 和 10 个脉冲 m − 2（RF5 和 RF10）和 5、10、15 和 20 m 的网格单元大小的 LiDAR 衍生指标对 AGC 进行建模。结果：结果表明，在这些快速生长的人工林中，5 脉冲 m − 2 的 LiDAR 脉冲密度提供的 AGC 预测精度与使用 10 脉冲 m − 2 的数据集时相似。RF5 和 RF10 的相对均方根误差 (RMSE) 分别为 6.14% 和 6.01%。等效性测试表明，训练和验证模型预测的 AGC 与观察到的 AGC 测量值相同。在本系统中，从 5 到 20 的制图网格单元大小也不会显著影响林分级别的 AGC 预测精度。结论：使用 5 脉冲 m − 2 和 5 m 的网格单元大小，LiDAR 测量可用于预测和绘制不同年龄桉树人工林的 AGC，具有足够的精度和准确度。本研究中 AGC 建模的良好结果将使人们更有信心将 AGC 估计值与桉树人工林的不同 LiDAR 采样密度进行比较，并有助于做出更具成本效益和效率的森林资源清查决策。关键词：碳模型、遥感、建模、森林资源清查、随机森林
旧金山滨水区沿海洪水研究，加州综合可行性报告草案和环境影响声明
在施工前、工程和设计 (PED) 阶段，需要进行广泛的陆地勘测，以准确捕捉所有现有的地面高程、结构足迹、地面和地下的公用设施基础设施、交通基础设施以及制定正式施工计划和规范所需的其他细节。旧金山市和县 (CCSF) 目前与美国地质调查局 (USGS) 合作，完成更新的质量等级 0 激光雷达勘测，预计将于 2024 年完成。可以根据陆地勘测评估激光雷达数据，以确定使用激光雷达勘测信息补充更详细的陆地勘测的程度。
适用于小型无人驾驶汽车的人工智能视觉提示激光雷达
• 支持 AI 的摄像头可识别和分类物体、感兴趣的区域，以提示激光雷达进行随机测距：大大减少数据收集和处理需求 • 在存在具有挑战性的平台抖动的情况下，实现精确的视线 (LOS) 稳定指向 • 在检测到的物体周围分配禁区 • 多个体素允许正确定位禁区 • 前瞻性避障扫描作为备份 • 激光雷达数据限制为几百个点，而不是数十万个点 • 系统世界模型可以通过低带宽数据链路跨平台共享
机载目标雷达目标生成器 - IJSTE
雷达是一种物体检测系统，它可以识别目标并帮助生成目标的各种特征。为了测试雷达系统，需要进行多次现场测试。这非常昂贵，需要使用大量资源，这是一个巨大的缺点。为了降低这种复杂性，雷达目标生成器变得非常关键。本文提出了一种用于机载目标的雷达目标生成器。所提出的系统降低了成本，因为它是一个模拟环境，从而为用户提供了可视化场景的机会。它还可以动态生成目标的各种参数，从而节省大量时间。关键词：机载目标、方位角、仰角、雷达、雷达数据处理器 ________________________________________________________________________________________________________
diffradar：扩散
毫米波（mmwave）雷达由于其稳健性在低光条件下，在环境感知中的越来越多。但是，现有方法无法解决多路径干扰和低分辨率分辨率的挑战。在本文中，我们引入了衍射，该衍射概率模型（DPM）用于高质量的MMWAVE环境感应。为了适应DPM的雷达信号，缺少PIX级的结构信息，我们会签署一个轮廓编码器，以捕获固有的场景特征，使DPM能够从雷达数据中学习强大的表示。然后，DPM解码器利用此高级语义信息有效地重建了现实世界的场景。广泛的实验表明，在各种复杂情况下，我们的APACH超过了最新方法。
