XiaoMi-AI文件搜索系统
World File Search SystemCollision
通过整合深度强化学习和模型预测控制
摘要 - 在本文中，我们提出了一种有效的方法，用于用于移动机器人实时无碰撞导航。通过将深度强化学习与模型预测控制整合在一起，我们的目的是实现避免碰撞和计算效率。该方法首先使用深度Q学习训练初步代理，从而使其能够为下一步步骤生成动作。不是执行这些动作，而是基于它们生成的参考轨迹，从而避免了原始参考路径上存在的障碍。随后，该局部轨迹被使用在MPC轨迹跟踪框架内，以为移动机器人提供无冲突的指南。实验结果表明，所提出的DQN-MPC混合方法在时间效率和解决方案质量方面优于纯MPC。
基于时间的空中交通管理碰撞风险建模
5.分离函数推导 ................................................................................................ 72 5.1.碰撞风险建模 ................................................................................................ 72 5.2.数据分析 ............................................................................................................. 77 5.3.性能指标 ............................................................................................................. 93 5.4.碰撞概率 ............................................................................................................. 102 5.5.区间分析 ............................................................................................................. 111
美国和中国即将发生冲突
对于国际秩序的未来而言，没有其他双边关系像美国和中华人民共和国之间的关系那样重要。俄罗斯与西方的关系也对世界和平构成潜在威胁，例如乌克兰战争可能升级以及各自的核武器能力。但莫斯科除了破坏性的军事手段外，没有足够的经济或政治影响力来积极塑造国际秩序。由于与乌克兰的战争，俄罗斯的权力和影响力正在下降，对中国的依赖将增加。事实上，莫斯科已经是与北京的“战略伙伴关系”中的小伙伴。
美国国家航空航天局航天器会合评估和碰撞...
对于由美国商务部、美国联邦航空管理局 (FAA) 和美国联邦通信委员会 (FCC) 等其他美国机构监管的太空运营，NASA 将听从这些机构的意见。作为机构间磋商的一部分，为了促进安全和可持续的太空运营，NASA 合作伙伴（如 FAA 和 FCC）要求 NASA 审查商业太空运营商向美国政府监管机构提出的许可证、有效载荷和/或政策申请。除了这些监管机构要求的信息外，NASA 还准备了各种类型任务的信息示例，这些信息对于加快 NASA 的审查非常有价值。当前的示例可在 https://www.nasa.gov/recommendations-commercial-space-operators 找到。欢迎商业太空运营商就这些示例联系 NASA。
关于在立体电脑摄影手术计划中使用数字减法血管造影，以防止与血管发生碰撞
由于电极破裂而导致的脑内出血是最常见的并发症，每316个电极的发生率为1 [4,5]。为了防止它，神经外科医生必须仔细计划电极轨迹，以避免相交的血管。神经影像学检查对于在轨迹计划中揭示血管解剖学至关重要。Gadolinium增强的T1加权磁共振（T1-GD）是Seeg计划中最确定的技术之一，鉴于其可忽略不计的并发症率，可用性和易于性[6-9]。几种技术，例如血管造影或静脉磁共振成像（磁共振血管造影/磁共振造影），飞行时间成像，易感性加权成像或计算机断层造影术，为检测血管提供了卓越的敏感性，可用于检测血管，并在T1-gd [10-13]中均与SEEG计划相同。最详细的血管可视化是通过数字减法血管造影（DSA）实现的，允许对亚毫米船的明显可视化[14,15]。然而，这种技术的并发症发生率与使用动脉导管和高剂量的辐射有关[16]。最近的出版物强调了将DSA纳入SEEG工作流程[14,17-20]的好处，但不可忽略的并发症率使其常规用于易涉及的有争议[21-24]。
高能核碰撞中的集体激发——纪念刘联寿教授
集体流由动量空间中最终粒子分布的傅里叶展开的系数定义，对核碰撞的早期阶段很敏感。具体来说，前三个系数分别称为定向流 ( v 1 )、椭圆流 ( v 2 ) 和三角流 ( v 3 )。定向流对介质的状态方程 (EoS) 敏感；椭圆流对介质的自由度、部分子或强子能级和平衡度敏感；三角流对初始几何涨落敏感。在 RHIC-STAR 核碰撞实验中已经实现了一套全面的测量 [ 1 – 9 ]。在高能碰撞（> 20 GeV）中观测到的 vn 的组成夸克数 (NCQ) 标度表明部分子集体已经建立 [ 1 – 3 , 8 , 10 ]。特别地，D 介子也遵循 NCQ 标度 [ 2 , 10 , 11 ]，这表明粲夸克集体与 u 、 d 和 s 夸克处于同一水平；因此，产生的介质达到（接近）平衡。束流能量扫描 (BES) 计划的主要动机是探索 QCD 相图并寻找可能的相边界和临界点。STAR 实验中 BES 计划的第一阶段 (BES-I) 涵盖碰撞能量 √ s NN = 7.7–62.4 GeV。已经观察到许多有趣的现象；在这里，我们重点关注集体流 vn 测量。图 1 总结了 STAR BES-I 的定向、椭圆和三角流相关观测结果。中速附近净重子的 v 1 斜率与碰撞能量的关系被认为是一级相变的可能信号。v 1 斜率的非单调能量依赖性与相变有关，v 1 斜率的最小值称为“最软点坍缩”[12]。在实验中，随着中子
空中防撞 (MACA) 计划
低空导航和战术训练在超过 400 节（通常为 450-550 节）的空速下进行。 卢克航空通常以 500-1000 英尺 AGL 飞行，但根据航线结构可以超过 1,500 英尺 AGL。只有具有四位标识符的航线不包含高于 1,500 英尺 AGL 的航段（即IR1206、VR1207） 非参与飞机不禁止飞越 MTR。但是，在穿越或靠近 MTR 飞行时应格外警惕。 大多数 MTR 都是 VR 航线，军用飞机在这些航线上以 VFR 飞行，因此不受 ATC 控制 分区图上仅显示航线中心线。走廊通常宽 5-10 海里，但中心线两侧可达 20 海里 普雷斯科特 FSS 可能能够提供有关实时路线活动的信息
空中防撞 - 戴维斯-蒙森空军基地
第 355 战斗机联队空中防撞 (MACA) 计划的目标是促进南亚利桑那州的安全飞行环境。所提供的信息旨在提供对当地军事飞行行动的基本了解，定义标准的戴维斯-蒙森 (DM) 出发和到达走廊，并强调使用频繁的当地军事训练空域。所提供的信息并不涵盖所有 DM 或南亚利桑那州军事飞行行动。请联系第 355 联队飞行安全办公室获取更多信息，或者如果您希望安排针对您组织的简报会。如果您有疑问或想表达任何空域问题，请致电我们。
自主车载会合评估和防撞原型基础设施 Austin Probe、Graham Bryan、Tim Woodbury、Evan Novak
用于自主机载会合评估和防撞的原型基础设施 Austin Probe、Graham Bryan、Tim Woodbury、Evan Novak Emergent Space Technologies, Inc. Shiva Iyer、Apoorva Karra 和 Moriba Jah 博士 德克萨斯大学奥斯汀分校 摘要 我们正在努力构建一个可扩展的自主会合评估和避免原型基础设施。这包括一个地面枢纽，用于同步来自操作员的状态信息和计划机动并识别潜在的会合，以及用于自主评估和避免碰撞的机载飞行软件。这项工作将作为 NASA STMD 飞行实验的一部分在 2023 年进行。 1. 简介 会合评估 (CA) 是运行卫星安全的最重要组成部分之一，由于低地球轨道任务和星座的激增，其重要性不断增加。当与集群或星座的自主机动相结合时，难度和复杂性会增加，当此类系统开始与其他自主机动系统交互时，难度和复杂性会进一步增加。由于许多大型自主星座（如 SpaceX Starlink、Amazon Kuiper 和其他商业提供商）以及 SDA 和 MDA 计划在未来十年部署的持久 LEO 星座，找到可扩展的解决方案是实现太空可持续性的关键。
文章 基于空间人工智能的小麦检测和防撞农业机器人平台
摘要：为了在小麦生长季节获得更一致的测量结果，我们构思并设计了一个自主机器人平台，该平台使用空间人工智能 (AI) 在作物行中导航时执行防撞。农学家的主要限制是在驾驶时不要碾过小麦。因此，我们训练了一个空间深度学习模型，该模型可帮助机器人在田间自主导航，同时避免与小麦发生碰撞。为了训练这个模型，我们使用了公开的预标记小麦图像数据库，以及我们在田间收集的小麦图像。我们使用 MobileNet 单次检测器 (SSD) 作为我们的深度学习模型来检测田间的小麦。为了提高机器人实时响应田间环境的帧速率，我们在小麦图像上训练了 MobileNet SSD，并使用了新的立体相机 Luxonis Depth AI 相机。新训练的模型和相机可以实现每秒 18-23 帧 (fps) 的帧速率 - 足够快，让机器人每行驶 2-3 英寸就能处理一次周围环境。一旦我们知道机器人准确地检测到周围环境，我们就会解决机器人的自主导航问题。新的立体摄像头使机器人能够确定与训练物体的距离。在这项工作中，我们还开发了一种导航和防撞算法，该算法利用这些距离信息帮助机器人观察周围环境并在田间机动，从而精确避免与小麦作物发生碰撞。我们进行了大量实验来评估我们提出的方法的性能。我们还将我们提出的 MobileNet SSD 模型获得的定量结果与其他最先进的物体检测模型（例如 YOLO V5 和 Faster 区域的卷积神经网络 (R-CNN) 模型）的定量结果进行了比较。详细的比较分析揭示了我们的方法在模型精度和推理速度方面的有效性。