XiaoMi-AI文件搜索系统
World File Search SystemGaussian
基于高斯混合模型和K值选择算法的机器人臂的新型轨迹学习方法
在机器人臂轨迹模仿学习领域，高斯混合模型被广泛用于捕获复杂轨迹特征的能力。但是，利用这些模型的一个主要挑战在于初始化过程，尤其是在确定高斯核的数量或K值时。K-Value的选择显着影响模型的性能，而传统方法（例如基于经验知识的随机选择或选择）通常会导致次优结果。为了应对这一挑战，本文提出了一种用于机器人臂的新型轨迹学习方法，该方法将高斯混合模型与K值选择算法相结合。所提出的方法利用肘法的原理以及指数函数，校正项和权重调整的特性，以确定最佳的K值。接下来，使用最佳的K值应用K-均值聚类来初始化高斯混合模型的参数，然后通过预期最大化算法进行完善和训练。然后将所得的模型参数eTers用于高斯混合物回归中，以生成机器人的臂轨迹。通过使用二维理论非线性动态系统和使用实际机器人臂数据的物理实验的模拟实验来验证所提出方法的有效性。这些结果表明，所提出的方法显着提高了机器人臂轨迹产生的准确性和效率，从而为改善机器人操纵任务提供了有希望的解决方案。实验结果表明，COM占据传统的高斯混合模型方法，所提出的方法将轨迹精度提高了15％以上，如降低平均绝对误差和根平方误差所示。
模态majorana球体和结构化高斯光束的隐藏对称性
简介。- 一词“结构化光”是指具有非平凡且有趣的幅度，相位和/或极化分布的光场。大量工作已致力于生产结构化的光场，从而导致了新技术的发展和改进现有技术[1,2]。也许结构化光的最著名示例对应于携带轨道角动量的梁，广泛用于从量子光学到显微镜的应用中[3,4]。当前的工作着重于所谓的结构化高斯（SG）梁的结构梁的子类[5-8]。这些对近似波方程的解决方案具有自相似的特性，这意味着它们的强度曲线在传播到缩放因子时保持不变。sg梁包括众所周知的laguerre-gauss（lg）和雌雄同体 - 高斯（HG）梁[9]，它们一直是广泛研究的主题，用于许多应用中的模态分解，例如模式分类和分量额定定位[10-13]。lg和Hg梁属于更广泛的SG梁，称为广义的Hermite-Laguerre-Gauss（HLG）模式[14,15]，可以使用适当的圆柱形透镜（Attigmatic Translions）[16]来从HG或LG梁上获得。这些模式可以表示为模态Poincar´e球的表面上的点（MPS）[17-19]，如图1。这种表示形式导致了这样的见解：这些梁可以在一系列散光转换上获得几何阶段[7,20 - 23]。HLG模式的MPS表示揭示了其固有的组结构和转换属性。这种结构的概括是将模态结构和极化混合[24]。但是，没有为无限的
使用高斯混合物学习机器人运动的几何力学
使用来自几何力学的原理构建的机器人运动的数据驱动模型已显示[Bittner，Hatton等。2018; Dan Zhao，Bittner等。2022; Hatton等。2013]为各种机器人提供机器人运动的有用预测。对于具有有用数量DOF的机器人，这些几何力学模型只能在步态附近构建。在这里，我们展示了如何将高斯混合模型（GMM）用作流形学习的一种形式，该形式学习了几何力学“运动图1”的结构，并证明了：[i]与先前发表的方法相比，预测质量的可观改善； [ii]可以应用于任何运动数据集的方法，而不仅仅是周期性步态数据； [iii]一种预先处理数据集以促进在已知运动图是线性的地方外推的方法。我们的结果可以在数据驱动的几何运动模型的任何地方应用。
用于非高斯光子量子态产生的多路复用合成器
摘要 处理具有非经典光子统计的简单有效的光子态源对于实现量子计算和通信协议至关重要。在这项工作中，我们提出了一种创新方法，与以前的提案相比，该方法大大简化了非高斯状态的制备，利用了现代量子光子学工具提供的多路复用功能。我们的提案受到迭代协议的启发，其中多个资源一个接一个地组合在一起以获得高振幅的复杂输出状态。相反，在这里，协议的很大一部分是并行执行的，通过使用沿与所有输入模式部分重叠的模式的单个投影测量。我们表明，我们的协议可用于生成高质量和高振幅的薛定谔猫状态以及更复杂的状态，例如纠错码。值得注意的是，我们的提案可以用实验中可用的资源来实现，突出了它的直接可行性。
相对于连续尺度空间的近似属性，用于高斯导数算子的混合离散
本文基于与归一化采样的高斯核或综合高斯内核的卷积，对高斯衍生物的两种混合离散方法的性质进行了分析。研究这些离散方法的动机是，在相同规模水平上需要多个阶的多个空间衍生物时，与基于更直接的衍生近似值相比，它们基于基于更直接的衍生近似值而具有更高的效率相比，它们基于具有较高的衍生性速率，以示例性衍生性衍生性不能衍生性不能进行。我们根据定量绩效指标来表征这些混合离散方法的特性，同意它们所暗示的空间平滑量，以及它们从量表 - 流动特征探测器的相对一致性以及从自动量表选择中获得的量表的相对一致性，从尺度上的量表与尺度相关的量度相差很大，该尺度的范围与尺度的相差相差，该尺度的尺度是有效的。理论以及不同类型的离散方法之间。在设计和解释以非常精细的水平运行的规模空间算法的实验结果时，提出的结果旨在作为指导。
采用通用高斯源的量子照明
假设检验 (HT) [1] 和量子假设检验 (QHT) [2] 在信息 [3] 和量子信息论 [4] 中发挥着至关重要的作用。HT 与通信和估计理论都有着根本的联系，最终是雷达探测任务的基础 [5]，而雷达探测已经通过量子照明 (QI) 协议 [6, 7] 扩展到量子领域，更准确地说，通过微波量子照明模型 [8]（有关这些主题的最新综述，请参阅参考文献 [9]）。HT 和 QHT 最简单的场景是二元决策，因此它们可以简化为两个假设（零假设 H 0 和备选假设 H 1 ）之间的统计区分。从最基本的层面上讲，量子雷达是一项二元 QHT 任务。两个备选假设被编码在两个量子通道中，信号模式通过这两个量子通道发送。根据目标是否存在，信号模式的初始状态会经历不同的变换，从而在输出端产生两个不同的量子态。最终的检测就简化为区分这两种可能的量子态。能否以较低的错误概率准确地做到这一点，与能否确定正确的结果直接相关。这一基本机制可以轻松地通过几何测距参数进行增强，这些参数可以量化与目标的往返时间，即目标的距离。虽然 QI 雷达可能实现最佳性能 [10]，但它们需要生成大量纠缠态，这可能是一项艰巨的任务，特别是如果我们考虑微波区域的话。同时，量子雷达的定义本身可以推广到 QI 以外的任何利用量子部件或设备在相同能量、范围等条件下超越相应经典雷达性能的模型。在这些想法的推动下，我们逐步放宽 QI 的纠缠要求，并研究相应的检测性能，直到源变得刚好可分离，即
流式优化的3D高斯脱落
3D高斯脱落（3DGS）已成为一种开创性的3D场景表示技术，提供了前所未有的视觉质量和渲染效率。但是，3DGS场景的大量数据卷在流媒体上构成了重大挑战。现有对3DGS的研究主要集中在压缩和提高效率上，忽略了流传输的具体质量。此外，3DG中的球形谐波颜色表示使基于视口的传输分配复杂化。在没有明显质量下降的情况下实现层次结构高斯流也是一个重大挑战。为了应对这些挑战，我们提出了SRBF-Gaussian，这是一种彻底改变传统3DGS格式的新范式。我们的方法基于球形径向基础函数（SRBF）和HSL颜色空间引入了与视口有关的颜色编码，从而可以选择性地传输与视口相关的颜色数据。这在保持视觉质量的同时减少了数据传输。我们实施自适应高斯修剪和传输，以适应当前的视口和网络条件。补充 - 我们开发了连贯的多级高斯表示，以在质量水平之间平稳过渡。我们的系统结合了用户 - 行为感知的流策略，以预测和预先提取相关数据。在云VR方案中，我们的方法表明了实质性改善，PSNR增长了5.63％-14.17％，延迟下降7.61％-59.16％，总体经验质量（QOE）提高了10.45％-30.12％。
gstar：高斯表面跟踪和重建
从任意观点以及适应不断变化的拓扑结构的表面重构。涉及人类或机器人相互作用与物体的场景需要动态适应分裂，合并或变形的表面。热热，下游应用，例如视觉效果和无标记运动捕获，从不依赖模板的情况下跟踪持久区域的能力显着。因此，方法必须有效地处理这些拓扑更改，以确保高质量的渲染和准确的重建，同时还要维护对现有表面的同意跟踪。经典方法主要依赖于网格和tex曲线图，这些图提供了合理的外观，但重大取决于网格分辨率。他们常常无法准确地确定细节和观察依赖性效果。al-尽管这些网格表示可以进行一定程度的跟踪，但它们努力处理重大的拓扑变化，需要新的关键帧以适应ma-jor变换。神经辐射场的出现（NERF）[28]在静态[1，46]和dy-namic场景[17，30]的外观和新型综合方面有了显着改善。使用Marting Cubes [37，44]可以从隐式签名的距离功能（SDF）得出表面，但除非使用了不足的模板，否则它们缺乏一致的跟踪。最近，出现了3D高斯脱落（3DGS）[20]，具有明确的纹理代表，在外观上与NERF竞争，同时实现了更有效的效果。这些高斯人与网格面一起移动，以表示移动和变形的对象。其明确表示有助于跟踪，并为此开发了几种技术[26，50]。然而，准确的动态表面重建仍然是一个挑战，并且在现有表面的跟踪与引入新的表面保持平衡被证明很困难。为了应对这些挑战，我们提出了GSTAR，该方法能够重建光真逼真的外观和准确的表面几何形状，并随着拓扑变化而保持一致的跟踪。GSTAR利用多视图盖，并将网眼与绑定的高斯人结合在一起，与高斯表面相结合。当新的表面变得可见时，新的高斯人会产生，并且网格拓扑更新。适应性网格提供了时间一致，准确的几何形状，而高斯人则带来了逼真的外观。这个问题很困难，因为总会有一个折扣。可以通过固定的托架或模板[24，50]更轻松地跟踪的方法倾向于在新的姿势或变形下降低外观和几何形状的质量。相反，过度拟合静态场景的方法[8，14，16]缺乏时间一致性或错过新的框架详细信息。GSTAR通过尽可能多地跟踪面孔来解决这一权衡
高斯表面跟踪和重建
重新介绍细节。sec中引入的。主纸的3.5，在生成新面孔后，我们通过将新生成的面孔与原始网格集成在一起来更新基础网格拓扑。此过程涉及从原始网格中删除特定面孔，确定相应的新生成的面孔，并无缝连接它们。此方法首先识别未结合重量超过预定义阈值的原始面。这些面孔随后由它们的连接组件分组。我们删除了包含比指定阈值更多的面孔的任何连接组件。接下来，我们创建一个体素体积，以记录删除的面孔中无界的高卢人的位置。在此卷中，我们根据其连接的组件确定新的脸部并取出孤立的面部，并准备与其余原始网格集成在一起。连接过程涉及顶点匹配的两个步骤：首先，对于新生成的面边界上的每个顶点X，我们将其最接近的顶点y放在原始网格边界上，将其位置设置为y，然后合并；然后，对于原始网格边界上的无与伦比的顶点，我们在新的面边界上找到了最接近的顶点，并执行类似的对齐和合并操作。最后，我们通过边缘翻转和孔填充操作完成网格重新冲突，以确保无缝表面。
基于语言引导的杂种高斯扩散
摘要 - 在机器人操纵任务中，实现操纵对象的可识别目标状态通常对于促进机器人臂的运动计划至关重要。具体来说，在悬挂杯子等任务中，必须将杯子放置在钩子周围可行区域内。先前的方法已经揭示了杯子的多个可行目标状态的产生；但是，这些目标状态通常是随机生成的，缺乏对特定生成位置的控制。此限制使这种方法在存在约束的情况下，例如其他杯子已经占据的钩子或必须达到特定的操作目标时。此外，由于在现实世界中悬挂的方案中杯子和机架之间的频繁物理相互作用，因此从端到端模型中生成的目标状态通常会导致重叠点云。这种重叠会对机器人组的后续运动计划产生不利影响。为了应对这些挑战，我们提出了一种语言引导的混合高斯扩散（LHGD）网络，用于生成操纵目标状态，并结合了基于重力覆盖系数的基于重力覆盖率的基于重力覆盖率的方法。为了在语言指定的分布设置下评估我们的方法，我们在5个不同的架子上收集了多种可行的目标状态，用于10种不同的架子上的10种类型的杯子。此外，我们为验证目的准备了五种看不见的杯子设计。实验性调查表明，我们的方法在单模，多模式和语言指定的分布操纵任务中达到了最高的成功率。此外，它大大降低了点云的重叠，直接产生无碰撞的目标状态，并消除了机器人臂对额外的避免避免障碍物操作的需求。