XiaoMi-AI文件搜索系统
World File Search SystemAUV
异常的非典型NF-κB信号传导重新编程表观基因组景观，以驱动多发性骨髓瘤的致癌转录组
AUV>作者：邮政信箱36067，圣胡安，波多黎各00936-5。 10027通讯作者：Annabell C. Segarra，博士，波多黎各大学医学院生理学系医学科学校园，邮政信箱365067，圣胡安，波多黎各00936-5067。电子邮件：787–758-2525分机。。
使用分裂核心变压器和共振有限责任电路的自动水下车辆的电感无线电源传输
无人管理的水下车辆（UUV）是水下勘探和维护的关键。自动驾驶水下车辆（AUV），其潜力减少了运营时间和环境影响，这使人们增加了兴趣。但是，他们面临着重要的技术挑战，尤其是在电源方面。这项研究重点是用于连续AUV操作的电感无线功率传递（IWPT），采用紧密耦合的分裂核心变压器（SCT），设计用于近场功率传递。提出了稳健的隔离和对准机制来克服海水环境的影响。具有SCT和RESONANT LLC电路的IWPT设备进行模拟并实验测试。有限元方法研究突出了将设备与海水环境隔离，尤其是在高频时的优势。LLC仿真和实验结果表明，电力传输的效率分别为93.2％和87.1％，最高为312W。但是，实验设备的全球效率下降到76.4％，突显了对电路设计优化的需求。
可由无人机机器人部署的通信声呐浮标
在大多数情况下，AUV 等潜水器仍然需要一条称为系绳的物理电缆将水下航行器与水面部署船上的人工控制员连接起来。目前缺乏低成本高效的水下调制解调器是主要原因。微型通信声纳浮标旨在充当高度可部署的水下调制解调器，与水面上的射频 (RF) 发射器耦合，从而形成水面和水下基站之间的无缝通信链路。水下通信链路必须能够传输控制命令以及维持来自 AUV 综合故障排除系统 ITS [1] 的诊断数据流。通信链路以微型声纳浮标的形式封装，以方便通过 M-UAV 和旋翼四轴飞行器 [2 & 3] 进行部署。在本文中，我们介绍了微型通信声纳浮标的设计，其中包括最关键的组件——水下调制解调器。水下调制解调器由换能器、水听器和调制技术组成。二。限制 在设计微型通信声纳浮标时面临几个限制。其中一个主要限制是成本，因为初始资金来自低预算。另一个主要限制是声纳浮标的物理尺寸和重量，因为它不能超过 M-UAV 可以携带的最大有效载荷尺寸和重量。
在边缘的Caveline检测到自主水下洞穴探索和映射
摘要 - 本文探讨了在边缘平台上部署基于Ma-Chine学习（ML）基于基于的对象检测和分割模型的问题，以实现用于自动水下汽车（AUV）的实时Caveline检测，用于水洞探索和映射。我们专门研究了三个ML模型，即U-NET，Vision Transformer（VIT）和YOLOV8，该模型部署在三个边缘平台上：Raspberry PI-4，Intel Neural Compute Stick 2（NCS2）和Nvidia Jetson Nano。实验结果揭示了模型准确性，处理速度和能耗之间的明确权衡。最准确的模型已显示为U-NET，其与联合（IOU）值相比为85.53 f1分数和85.38的交集。同时，分别在高功率和低功率模式下运行的Jetson Nano上的Yolov8模型实现了最高的推理速度和最低的能耗。论文中提供的全面定量分析和比较结果突出了重要的细微差别，这些细微差别可以指导水下机器人上的caveline检测系统的部署，以确保在水下洞穴探索和映射任务期间安全可靠的AUV导航。
双鹰萨罗夫 - 萨博
SAROV 车辆可以使用两种不同的系绳作为 ROV 进行操作。一种是用于实时通信和远程任务（> 3 公里）的细光纤系绳，车辆由其内部电池供电。另一种是组合电源和通信系绳，标准长度为 1,000 米，用于长航时任务。作为 AUV，该车辆可以独立于船舶运行，具有避障能力，并且可以根据发射前下载的预先计划的指令或在浮出水面时通过无线通信传输的指令执行 MCM 任务。
自适应机器人系统的可配置软件模型
在运行时在不同的系统配置之间切换。分别对所有这些不同但部分冗余的配置的分析是一个乏味，耗时且容易出错的任务，尤其是因为这忽略了配置之间的变化。在Päßler等人中。 [20]，我们展示了建模这样的SAS作为系统家族的优势，在该系统中，每个家庭成员都对应于可能的配置，该配置允许基于家庭的建模和分析作为对抗冗余的手段[25]。 为此，我们使用了软件产品线（SPL）领域的正式模型和工具[2]。 We also used the fact that SASs can be implemented using a two-layered approach, decomposing the system into a managed and a managing subsystem [ 15 , 27 ], with the managed subsystem implementing the domain concerns (e.g., navigating a robot to a specific position) and the managing subsystem implementing the adaptation logic (e.g., reconfiguring due to changing environmental conditions). 这种关注点的分离由Profeat [9]迎合了基于概率的家庭模型检查的工具。 Profeat提供了一种手段，可以在一次运行中同时分析与有效配置相对应的模型家族。 本文为自适应机器人系统提供了可配置的软件模型，即用于搜索并遵循位于海床上的管道的自动水下车辆（AUV）。 该模型已用于案例研究，在Päßler等人中提出。 [20，21]，并受到示例性的启发[22]。 与Päßler等人相反。在Päßler等人中。[20]，我们展示了建模这样的SAS作为系统家族的优势，在该系统中，每个家庭成员都对应于可能的配置，该配置允许基于家庭的建模和分析作为对抗冗余的手段[25]。为此，我们使用了软件产品线（SPL）领域的正式模型和工具[2]。We also used the fact that SASs can be implemented using a two-layered approach, decomposing the system into a managed and a managing subsystem [ 15 , 27 ], with the managed subsystem implementing the domain concerns (e.g., navigating a robot to a specific position) and the managing subsystem implementing the adaptation logic (e.g., reconfiguring due to changing environmental conditions).这种关注点的分离由Profeat [9]迎合了基于概率的家庭模型检查的工具。Profeat提供了一种手段，可以在一次运行中同时分析与有效配置相对应的模型家族。本文为自适应机器人系统提供了可配置的软件模型，即用于搜索并遵循位于海床上的管道的自动水下车辆（AUV）。该模型已用于案例研究，在Päßler等人中提出。[20，21]，并受到示例性的启发[22]。与Päßler等人相反。此外，本文说明了如何对这种模式进行细化的分析，以及如何修改和扩展模型。获得一些安全保证并为系统运营商提供估计任务持续时间或AUV能源消耗的手段。[20]，本文未详细介绍软件模型。相反，它通过软件模型显示了如何将基于家庭的系统建模和分析的现有框架用于SAS研究。此外，它显示了如何扩展软件模型以进一步，可能更复杂的SAS模型和分析。
外交部新闻稿 ...
对于民用和军用而言，这些收购也是武装部队部长于 2022 年 2 月发布的有关海床控制的部长级战略的一部分。其目的是将海洋空间控制扩展到海床，并定义了三项功能：了解海床、监测基础设施和海洋空间、以及在海床上、从海床和向海床采取行动。能力部分是在军事规划法的路线图中通过 2023 年启动的“海底控制”（MFM）军备计划制定的。后者为 AUV 和 ROV 的“防御”特性提供资金，这将成为法国海军的首个深海能力，并将预示军事规划法规定的全部能力，以优化公共支出的逻辑。
引起轰动 - 麻省理工学院
国际无人驾驶车辆系统协会 (AUVSI)。今年的比赛于 8 月 7 日至 10 日在加利福尼亚州圣地亚哥美国海军 SPAWAR 系统中心的 TRANSDEC 设施池塘举行。比赛要求学生团队建造一个可以在水下闸门下游泳的 AUV，在池塘底部找到一个发光箭头，并沿着箭头的方向游泳以找到“目标” - 一系列堆叠在一起的三个平台。然后，车辆必须在平台上放置标记以获得积分。在资格赛中，Orca-VI 到达了正确的目标，但未能及时放下标记，麻省理工学院排名第三。在决赛中，Orca-VI 未能选择正确的目标，落后于康奈尔大学、巴黎高等技术学院和杜克大学，跌至第四名。
机会 - 地质和地球物理特性的地理空间机器在全球范围内，我们对EAR的集体理解
机会 - 地质和地球物理特性在全球范围内的地质机器学习，我们对地球特性的集体理解受到直接观察地质的观察（例如，井原木，核心等）或间接通过遥感（例如地球物理或卫星观测）。这一事实导致在高空间分辨率（至sub-km量表）处的地球特性的稀疏数据集，或者从卫星观测值中产生了一个连续但低分辨率的数据集。因此，需要自动插值（例如Kriging）和/或人类知情轮廓，以在高分辨率下持续了解这些属性。在这项工作中，我们致力于改进这些方法。利用机器学习，深度学习和/或物理知情神经网络（PINN）的新发展，我们可以在空间和深度上智能插入或预测地球参数。这项工作利用了地质观察的各种数据源（即“大数据”），例如：科学钻孔，挖出和疏ed和地球物理观察，例如由乘员船（例如，船舶），自主平台（例如，AUV）（例如，AUV）和Satellites和Satellites和Satellites和Satellites和Satellites。我们将这些数据集与基于物理学的地质过程模型（例如压实）和数据驱动方法（例如机器学习）结合使用，以产生对地球特性的连续且准确的估计。这些方法的示例包括从稀疏的船板观测值中预测连续的重力场，或使用核心数据预测沉积物岩性与深度。鼓励基本的地质理解，但不需要。我们寻求具有地质/地球物理学经验的合格申请人，遥感/地理位置，机器学习/数据科学和/或运输/摇滚物理建模。申请人将有一些计算经验，并且在基本的编程/脚本中保持舒适（不需要特定语言）。实验室地点：海洋科学部海军研究实验室Stennis Space Center，MS POC：Benjamin Phrampus海军研究实验室，代码7352建筑物1005 Stennis Space Center，MS 39529电话：228-688-4899电子邮件：Benjamin.phrampus.civ@us.civ@us.navy.mil
康奈尔大学自动水下车辆
摘要 - Sirius和Polaris是代表康奈尔大学参加AUVSI Robosub 2024比赛的两辆自动驾驶汽车。在过去的一年中，Cuauv成员有无数小时的时间来构建我们的新2024 AUV Sirius。Sirius的上船体压力容器经过精心设计，以增加可及性并减少错误空间，并具有新的矩形轮廓。我们已经设计并集成了电池管理系统，以防止电流过度并最大程度地降低板损坏的风险。此外，我们的新基于伺服的致动系统承诺在完成任务时更可靠。这些进步的目的是建立一个可靠和精确的系统。今年的一个重要战略重点是在两辆车之间的机械和电气系统中都向后兼容。这支持我们整个系统的可靠性。