XiaoMi-AI文件搜索系统
World File Search SystemFRENET
使用frenet坐标的轨迹跟踪与深...
摘要 - 本文研究DDPG算法在轨迹跟踪任务中的应用，并提出了一种与FRENET坐标系相结合的轨迹跟踪控制方法。通过将车辆的位置和速度信息从笛卡尔坐标系转换为FRENET坐标系，该方法可以更准确地描述车辆的偏差和旅行距离，相对于道路的中心线。DDPG算法采用了参与者 - 批评框架，使用深层神经网络进行策略和价值评估，并将体验重播机制和目标网络结合在一起，以提高算法的稳定性和数据利用效率。实验结果表明，基于FRENET坐标系的DDPG算法在复杂环境中的轨迹跟踪任务中表现良好，可实现高精度和稳定的路径跟踪，并证明其在自主驾驶和智能运输系统中的应用潜力。
基于Frenet框架的微分几何形状的强曲线的线圈设计
摘要 - 放射治疗中心的续录加速器项目，要求在转移线和龙盘中强烈弯曲的磁铁。在设计和制造强烈弯曲，余弦和cosine-theta型磁铁方面已取得了一些进步。本文提出了一种新的计算机辅助功能（CAD）引擎，用于为各种类型的Mandrelsurfaces（椭圆，弯曲，圆锥形）生成线圈几何形状，并与磁场软件以及CAD工具生成。CAD发动机基于FRENET框架的微分几何形状，并允许对曲率参数（例如曲率，扭曲和扭转）进行分析计算。应用可开发表面的理论，可以生成零高斯曲率的导体几何形状，这对于高温超导体磁带等应变敏感的超导管特别有趣。
多样性引导的搜索探索通过FRENET空间编码
自动驾驶汽车（SDC）的兴起提出了重要的安全性，以在动态环境中解决。虽然现场测试是必不可少的，但当前方法在评估关键的SDC方案方面缺乏多样性。先前的研究引入了基于仿真的SDC测试，Frenetic是一种基于FRENET空间编码的测试生成方法，获得了以自然平滑曲线为特征的有效测试（约50％）的相对较高百分比。“最小距离距离”通常被视为适应性函数，我们认为这是一个亚最佳度量。替代，我们表明，深度学习的香草变压器模型可以学习导致越界状况的可能性。我们将这种“固有学习的度量”与遗传算法结合在一起，该算法已显示出很高的测试。为了验证我们的方法，我们对包含1,174多个用于挑战SDCS行为的模拟测试案例进行了大规模的经验评估。我们的调查表明，我们的方法表明，在SDC测试执行过程中生成非valiD测试案例，增加的多样性和高度准确性。
闵可夫斯基三维空间中符合 q 框架的 Smarandache 曲线
[1]。然而，Frenet 框架在应用中有几个缺点。例如，在曲率消失的地方，Frenet 框架都是未定义的。此外，Frenet 框架的主要缺点是它绕切向量有不良的旋转 [6, 18]。因此，Bishop [5] 引入了一种沿空间曲线的新框架，它更适合应用。但众所周知，Bishop 框架的计算并不是一件容易的事 [29]。为了构造 3D 曲线偏移，Coquillart [9] 引入了空间曲线的拟法向量。拟法向量为曲线的每个点都有定义，并且位于垂直于该点曲线切线的平面上 [24]。然后利用拟法向量，Dede 等人在 [11] 中引入了沿空间曲线的 q 框架。给定空间曲线 α ( t )，q 框架由三个正交向量组成，分别是单位切向量 t 、准法向量 nq 和准双法向量 bq 。q 框架 { t , nq , bq , k } 由下式给出
强化学习增强运动计划框架：自主驾驶中的全面概括
摘要 - 这项研究介绍了一种新的方法，以实现运动计划，并在FRENET坐标系统中使用增强式学习（RL）代理告知分析算法。该组合直接解决了自主驾驶中适应性和安全性的挑战。运动计划算法对于导航动态和复杂方案至关重要。传统方法缺乏不可预测的环境所需的灵活性，而机器学习技术，尤其是强化学习（RL），具有适应性，但遭受了不稳定和缺乏解释性的困扰。我们独特的解决方案协同RL的动态适应性协同传统运动计划算法的可预测性和稳定性，从而产生了有效管理复杂情况并适应不断变化的环境条件的系统。对我们综合方法的评估显示，碰撞的改善，风险管理的改善以及在多种情况下提高了目标成功率。本研究中使用的代码可作为开放源软件公开使用，可以通过以下链接访问：https：//github.com/tum-avs/frenetix-rl。索引术语 - 自适应算法，自动驾驶汽车，避免碰撞，增强学习，机器人学习