XiaoMi-AI文件搜索系统
World File Search SystemAerial
AI驱动的无人驾驶汽车的多学科概念设计
本文基于人工智能驱动的分析模型，为无人机的多学科概念设计框架提供了一个多学科的概念设计框架。这种方法利用了驱动的分析模型，其中包括空气动力学，结构质量和雷达横截面预测，以将定量数据带到初始设计阶段，从而从各种优化的概念设计中选择了最合适的配置。由于设计优化周期，为以后的设计活动提供了更准确的翼，尾部和机身等关键组件的初始尺寸。同时，生成的结构可以通过设计迭代中的反馈循环实现更合适的设计点选择。因此，除了降低设计成本外，这种方法在整个设计过程中还具有很大的时间优势。
LandCover.ai：用于建筑物自动测绘的数据集……
土地覆盖和土地利用的监测和评估在自然资源管理中至关重要。遥感数据和图像处理技术已广泛应用于城市和农村地区的土地描述和变化检测。关于土地利用或土地覆盖的详细信息是各个领域的宝贵信息来源，例如城市规划[30,43]、变化检测[17]、植被监测[2]，甚至军事侦察。土地覆盖变化是环境变化[38,37]、森林覆盖动态[32]和退化[21]的指标，也是生物多样性监测的方法之一[31]。此类数据可用于研究景观中发生的过程，例如各种土地覆盖之间的流动 [ 16 ]，从而可以研究城市化、森林砍伐、农业强度和其他人为变化的速度。
非 - ...
摘要 - 增强学习（RL）已经证明了在空中机器人控制中的短期培训中保持政策可塑性的能力。但是，在非平稳环境中长期学习时，这些策略已显示出可塑性的丧失。例如，观察到标准近端策略优化（PPO）策略在长期培训环境中崩溃并导致重大控制绩效降级。为了解决这个问题，这项工作提出了一项成本吸引力的框架，该工作使用回顾性成本机制（ROCOM）与非固定环境平衡RL培训中的奖励和损失。使用奖励和损失之间的成本梯度关系，我们的框架动态更新了学习率，以在受干扰的风环境中积极训练控制政策。我们的实验结果表明，我们的框架在不同的风条件下学习了悬停任务的政策，而在可变的风条件下，与使用PPO的L2正则化相比，在可变风条件下的政策崩溃，休眠单位的休眠单位少11.29％。项目网站：https：//aerialroboticsgroup.github.io/ rl-plasticity-project/
网络安全空中微型航空微型：Opentitan ...
摘要 - 直径为10厘米的自治微型航空车（MAV），由于其板载智能所启用了广泛的适用性，因此是一种新兴技术。但是，这些平台在运行的机载电源信封中受到很大的限制，即少于几百兆瓦，可以将车载处理器固定到简单的微控制器单元（MCUS）的类别中。这些MCU缺乏高级安全功能，从而通向广泛的网络安全漏洞，从相同频率的代理商之间的通信到恶意代码的机上执行。这项工作提出了一种开源系统 - 芯片（SOC）设计，该设计集成了由8核32位并行可编程加速器加速的64位Linux功能的主机处理器。异质系统体系结构与基于信任的开源Opentitan根源相结合。为了展示我们的设计，我们提出了一个用例，在该用例中，Opentitan在MAV登上的SOC上发现安全漏洞，并驾驶其独家GPIO开始启动LED闪烁的例程。此过程体现了两个棕榈大小的MAV之间的非常规的视觉通信：接收器MAV分类发件人的LED状态（ON或OFF），并且在平行加速器上运行的板载卷积神经网络；然后，它在1.3 s中重建一个高级消息，比当前的商业解决方案快2.3×。
RE：FDA平台技术开发技术指定计划编号FDA-2024-D-1829 7月31日，2024年7月31日，提交的评论：Johns Hopkins Dru
February 4, 2025 Docket Operations, M-30 U.S. Department of Transportation 1200 New Jersey Avenue SE Room W12-140, West Building Ground Floor Washington, DC 20590-0001 Re: Comments on the Petition for Exemption for Houff Corporation Docket Number: FAA-2023-0699 To Whom It May Concern: The National Agricultural Aviation Association (NAAA) appreciates the opportunity to comment on以上引用的案例。美国航空应用行业背景NAAA代表了1,560个航空应用行业所有者/运营商和2,028名非经营者农业飞行员的利益，该飞行员被许可作为商业申请者，这些飞机使用飞机来增强食品，纤维，纤维，生物味的生产；保护林业；保护水道和牧场免受入侵物种；并为机构和房主团体提供服务，以控制蚊子和其他威胁健康的害虫。在农业和其他有害生物控制的情况下，船员的空中应用是应用农药的重要方法，因为它允许大面积迅速覆盖，这是迄今为止最重要的作物输入的应用方法。它比其他任何形式的应用都更加利用了通常的可接受天气时期，以供喷洒，并允许在害虫处处于关键的发育阶段时及时处理它们，通常在地形上过于湿润或无法在地面应用中无法访问。它还在农作冠层上方处理，因此不会破坏作物并破坏作物。航空应用具有更高的生产率，准确性，速度和缺乏作物的损害。1虽然平均航空申请公司只有六名员工和两架飞机，但作为一个行业，这些小型企业每个季节都会处理近1.27亿英亩的美国农田，约占美国用于农作物生产的所有农田的28％除了耕地英亩外，航空施用者每年还适用于510万英亩的林地，790万英亩的牧场和牧场，以及480万英亩的蚊子控制和其他公共卫生问题。
多旋翼飞行器储能配置对飞行时间影响的快速确定方法及评估
摘要：城市空中交通 (UAM) 是指在大都市地区为有人驾驶飞机和无人机系统提供安全高效的空中交通运营，目前正由工业界、学术界和政府进行研究和开发。这种交通方式为构建一个绿色可持续的子行业提供了机会，它借鉴了数十年来航空业的经验教训。由于电动垂直起降 (eVTOL) 飞机操作无污染且空中交通管理简单，目前正在为此目的开发和试验这种技术。然而，要成功完成认证和商业化阶段，需要克服几个挑战，特别是在性能方面，例如飞行时间和续航能力以及可靠性。本文开发了一种快速确定 eVTOL 多旋翼飞行器推进链组件尺寸和选择方法，并在 GTOW 为 15 公斤的电动多旋翼飞行器缩小比例原型上进行了验证。该方法与储能系统配置的比较研究相关，以评估它们对飞行器飞行时间的影响。首先，使用全局非线性优化选择最佳的电机/螺旋桨对，以最大限度地提高这些部件的比效率。其次，确定五种储能技术的尺寸，以评估它们对飞行器飞行时间的影响。最后，基于此尺寸确定过程，使用基于推进链供应商数据的回归方法评估每种储能配置的优化推进链总起飞重量 (GTOW)。
乔木叶水仙地上部分提取物的抗氧化和抗菌活性及其丙酮提取物的 LC-HESI-MS2 表征
1 有机化学实验室 LR17ES08，天然物质团队，斯法克斯大学科学学院，PB 1171，斯法克斯 3000，突尼斯；samet.sonda95@gmail.com（SS）；amaniayachi21@gmail.com（AA）；noureddineallouche@yahoo.fr（NA）；raoudhajarraya@yahoo.fr（RM-J.）2 斯法克斯突尼斯大学斯法克斯生物技术中心微生物生物技术和酶工程实验室，Road of Sidi Mansour Km 6，PB 1177，斯法克斯 3018，突尼斯；mariamfourati@ymail.com（MF）； lotfi.mallouli@cbs.mrt.tn (LM) 3 Equipe BTSB-EA 7417, Institut National Universitaire Jean-François Champollion, Université de Toulouse, Place de Verdun, 81012 Albi, France; michel.treilhou@univ-jfc.fr * 通讯：nathan.tene@univ-jfc.fr；电话：+33-667276471 † 这些作者对这项工作做出了同等贡献。
NVIDIA AI Aerial：常见问题解答
与任何 C/C++ 程序一样，CUDA 程序不会在编译器优化之外自行优化。我们建议使用 NsightSystems 和 NsightCompute 对代码进行分析，以识别和优化瓶颈。如果用 CUDA 编写的程序需要优化，我们建议遵循 https://docs.nvidia.com/cuda/cuda-c-best-practices-guide/index.html 中的最佳实践
净零航空能力（NZARC）范围报告
词汇表Actris气溶胶，云和痕量气体研究基础设施ADCP声学多普勒当前的Profiler ADR ADR ADR ADR原子介电谐振ADSB自动依赖性监视广播广播高于地面的地面AI人工智能AMOF AMOF AMSIFIC AMS AMS AMS AMS AMS AIMER IMENTER AIMAN AMS AIMER AIMEN AIN SIMENIT AIRPAIR A AIMENIT AIMENIT AIR AIMITAIN A AR AIR SIMENIT AIR INTIPEAT A AR AIR INTIPEAT Interial Importion a AR A AR A AR Si Yealtian设置带到 Airborne Research Facility ARA Advanced Research Aircraft ARSF Airborne Research & Survey Facility ASCII American Standard Code for Information Interchange ASPA Antarctic Specially Protected Area ASSI Air Safety Support International ASV Autonomous Surface Vehicle ATSC Advanced Training Short Course AUV Autonomous Underwater Vehicle BAS British Antarctic Survey BGS British Geological Survey BVLOS Beyond Visual Line of Sight CAA Civil Aviation Authority CAL/VAL Calibration/Validation CAPS Cloud Aerosol and Precipitation Spectrometer CAST Co-ordinated Airborne Studies in the Tropics CEDA Centre for Environmental Data Analysis CMS Computer Modelling Support COINS Copernicus In Situ COMNAP Council of Managers of National Antarctic Programs CONOPS Concept of Operations COST Cooperation in Science and Technology COTS Commercial Off-The-Shelf CT^2 Temperature Structure Function Coefficient DEM Digital Elevation Model dGPS Differential Global Positioning System DOAS Differential Optical Absorption Spectroscopy DOI Digital对象标识符DP动态定位DSM数字表面模型DTM数字地形模型EA环境环境EC EDDY协方差EDS环境数据服务EGU欧洲地球科学工会
无人驾驶汽车控制的系统审查
无人驾驶汽车（UAV）是具有巨大潜力的强大工具，但它们面临着巨大的挑战。主要问题之一是飞行耐力，受当前电池技术的限制。研究人员正在探索替代功率来源，包括混合系统和内燃机，并考虑用于电池交换或充电的对接站。除了耐力之外，无人机必须解决安全，有效的路径计划，有效载荷能力平衡和飞行自主权。考虑蜂群行为，避免碰撞和通信协议时，复杂性会增加。尽管存在这些挑战，但研究继续开利了无人机的潜力，而路径计划优化通过诸如杜鹃优化算法（COA）之类的元武器算法进行了显着提高。，而元海拔算法可以定义为系统级策略，用于寻求优化问题的次优解决方案。它将使用启发式方法与勘探/开发方案一起使用，以有效地使用大型解决方案空间。但是，动态环境仍然带来困难。无与伦比的发展范围已经超出了娱乐活动，在农业，送货服务，监视和救灾等行业中变得至关重要。通过解决与自主权，电池寿命和安全性有关的问题，可以完全优化无人机技术的好处。这项系统评价强调了无人机研究中连续创新以克服这些挑战的重要性。